迈向更安全的行星探索：火星车地形可通过性分析的混合架构

无人地面车辆(UGV)的自主导航领域正在持续发展，并且在过去几年中已经达到了越来越高的自主水平。然而，当关注点转向火星等行星表面探索时，任务变得更加具有挑战性。在这些情况下，UGV被迫在不稳定和崎岖的地形中导航，这不可避免地使车辆面临更多的危险、事故，甚至在极端情况下导致任务完全失败。本文解决了无人地面车辆在行星探索（特别是火星）中自主导航的挑战，引入了一种用于地形可通过性分析的混合架构，该架构结合了两种方法：基于外观的方法和基于几何的方法。基于外观的方法使用通过深度神经网络进行的语义分割来对不同地形类型进行分类。通过从同一RGB图像获得的像素级地形粗糙度分类进一步细化，根据土壤的物理属性分配不同的成本。基于几何的方法通过评估地形的几何特征来补充基于外观的方法，识别基于外观方法可能无法检测到的危险。两种方法的输出被组合成一个全面的混合成本地图。所提出的架构在合成数据集上进行了训练，并作为ROS2应用程序开发，以集成到更广泛的恶劣环境自主导航系统中。在Unity中进行了仿真，展示了该方法评估在线可通过性分析的能力。