地外地形采样的学习与自主性：来自 OWLAT 部署的经验报告
机器人学
2023-12-05 v2
摘要
地外自主着陆器任务日益需要自适应能力以应对不可预测且多样的地形性质。本文讨论了在 NASA 喷气推进实验室的海洋世界着陆器自主测试台（OWLAT）中，部署一种用于地形铲取任务的、经可控部署间隙深度元学习（CoDeGa）训练的模型。该由 CoDeGa 驱动的铲取策略旨在适应新颖地形，基于可用的 RGB-D 图像数据和有限经验选择铲取动作。本文介绍了我们将带有 CoDeGa 训练模型的铲取框架从低保真测试台迁移到高清真 OWLAT 测试台的经验。此外，它验证了该方法在新颖、真实环境中的性能，并分享了部署基于学习的自主算法用于太空探索的经验教训。来自 OWLAT 的实验结果证实了 CoDeGa 在快速适应陌生地形及在显著领域偏移下有效做出自主决策的有效性，从而支持其在未来地外任务中的潜在效用。
引用
@article{arxiv.2311.17405,
title = {Learning and Autonomy for Extraterrestrial Terrain Sampling: An Experience Report from OWLAT Deployment},
author = {Pranay Thangeda and Ashish Goel and Erica Tevere and Yifan Zhu and Erik Kramer and Adriana Daca and Hari Nayar and Kris Hauser and Melkior Ornik},
journal= {arXiv preprint arXiv:2311.17405},
year = {2023}
}
备注
Updated references to include recent work on autonomy for ocean worlds