基于机器学习的路径规划以改进 rover 导航（预印本）

增强型 AutoNav（ENav）是 NASA 毅力号 rover 的基线表面导航软件，它对 rover 要穿越的候选路径列表进行排序，然后使用近似间隙评估（ACE）算法评估排名最前的路径是否安全。ACE 对维持 rover 安全至关重要，但计算开销大。如果路径列表中最有希望的候选路径均不可行，ENav 必须继续搜索列表并运行耗时的 ACE 评估，直到找到可行路径。本文提出两种启发式方法，给定 rover 周边地形高度图，可在 ACE 评估前生成更有效地对候选路径排序的代价估计。第一种启发式使用 Sobel 算子和卷积以纳入穿越高梯度地形的代价。第二种启发式使用机器学习（ML）模型预测将被 ACE 判定为不可通行的区域。我们使用物理仿真为 ML 模型收集训练数据，并运行蒙特卡洛试验以量化在各种坡度和岩石分布的地形上的导航性能。与 ENav 基线性能相比，集成这些启发式可显著减少 ACE 评估次数和每个规划周期的平均计算时间，提高路径效率，并保持或改善成功穿越率。这种以 ML 针对特定瓶颈同时保持原始 ACE 安全检查的策略，提供了如何将 ML 注入行星科学任务及其他安全关键软件的示例。