基于照片级真实感仿真深度迁移学习的硬件加速火星样本定位
计算机视觉与模式识别
2022-11-07 v2 人工智能
机器学习
机器人学
摘要
火星样本返回任务的目标是收集火星表面的土壤样本并将其返回地球以作进一步研究。样本将由Perseverance火星车获取并储存在金属管中，随后放置在火星表面。作为该任务的一部分，Sample Fetch Rover预计将负责在150个火星日内定位并收集最多35根样本管。自主能力对于整个任务的成功，特别是对于Sample Fetch Rover而言至关重要。本文提出了一种用于样本管自主检测与位姿估计的新颖系统架构。在检测阶段，提出了一种深度神经网络以及基于合成数据集的迁移学习。该数据集由火星场景的照片级真实感3D仿真生成。此外，利用计算机视觉技术（如轮廓检测与线拟合）在检测区域上估计样本管位姿。最后，使用ExoMars Testing Rover在类火星测试台上对样本定位流程进行了实验室测试。这些测试在不同硬件架构上验证了所提方法，在样本检测与位姿估计方面给出了有前景的结果。
引用
@article{arxiv.2206.02622,
title = {Hardware-accelerated Mars Sample Localization via deep transfer learning from photorealistic simulations},
author = {Raúl Castilla-Arquillo and Carlos Jesús Pérez-del-Pulgar and Gonzalo Jesús Paz-Delgado and Levin Gerdes},
journal= {arXiv preprint arXiv:2206.02622},
year = {2022}
}
备注
Preprint version only. Final version at IEEE Xplore. Accepted for IEEE Robotics and Automation Letters