面向不确定性感知的行星巡视器导航的深度概率可通过性及测试时自适应

可变形地形的可通过性评估对于行星表面巡视器的安全导航至关重要。机器学习（ML）是预测可通过性的强大工具，但面临着预测不确定性。这种不确定性会导致预测错误，增加行星巡视器车轮打滑和无法移动的风险。为了解决这个问题，我们将不确定性处理的主要方法——量化、利用和自适应——集成到一个用于巡视器导航的统一学习和规划框架中。其核心概念是深度概率可通过性，它构成了一个端到端概率机器学习模型的基础，该模型直接从巡视器穿越观测中预测滑移分布。这个概率模型量化了滑移预测中的不确定性，并将其作为路径规划中的可通过性代价加以利用。其端到端的特性还允许利用现场穿越经验来调整预训练模型，以减少不确定性。我们在模拟行星模拟地形的代表性不确定性的合成环境中进行了广泛的仿真。实验结果表明，与现有方法相比，我们的方法在新的环境条件下实现了更鲁棒的路径规划。