[论文解读] Full Stack Navigation, Mapping, and Planning for the Lunar Autonomy Challenge

Adam Dai, Asta Wu+5 more|arXiv (Cornell University)|Mar 18, 2026

Robotics and Sensor-Based Localization被引用 0

一句话总结

论文提出一个模块化全栈自治系统，用于月球车导航与建图，结合语义分割、立体视觉里程计、带回环的姿态-图SLAM以及分层规划，实现厘米级定位，并在月球自治挑战赛中获得第一名。

ABSTRACT

We present a modular, full-stack autonomy system for lunar surface navigation and mapping developed for the Lunar Autonomy Challenge. Operating in a GNSS-denied, visually challenging environment, our pipeline integrates semantic segmentation, stereo visual odometry, pose graph SLAM with loop closures, and layered planning and control. We leverage lightweight learning-based perception models for real-time segmentation and feature tracking and use a factor-graph backend to maintain globally consistent localization. High-level waypoint planning is designed to promote mapping coverage while encouraging frequent loop closures, and local motion planning uses arc sampling with geometric obstacle checks for efficient, reactive control. We evaluate our approach in the competition's high-fidelity lunar simulator, demonstrating centimeter-level localization accuracy, high-fidelity map generation, and strong repeatability across random seeds and rock distributions. Our solution achieved first place in the final competition evaluation.

研究动机与目标

• 在 GNSS-denied、对比度高的环境中演示用于月球导航与建图的模块化自治堆栈。
• 集成语义感知、立体视觉里程计与带回环的姿态-图SLAM以实现全局一致性。
• 开发高级规划与反应式运动规划，提升建图覆盖率与避障能力。
• 评估定位与建图的精度，并验证在不同地形与随机种子下的鲁棒性。
• 开源实现以促进可复现性与社区进步。

提出的方法

• 前端感知：在前置立体图像上使用语义分割（U-Net++），频率为10 Hz，生成地面、岩石、着陆器、标记物和天空掩膜。
• 立体视觉里程计：通过立体对极三角化3D地标，并跟踪以通过 RANSAC 的 PnP 估计运动。
• SLAM 后端：带有姿态-图优化（因子图）的融合 VO/IMU 因子，利用跟踪的3D特征与描述子执行回环检测。
• 几何与语义建图：将带标签的地标投影到全局坐标系，生成180x180的几何高程图以及二值岩石占据图。
• 高级路径规划：旨在最大化地图覆盖并促进回环检测，配合局部运动规划器选择安全的恒曲率弧线并回避岩石。
• 备份与故障恢复策略：在计划失败时采取被动后退等反应性动作以维持移动性。

实验结果

研究问题

• RQ1 在 GNSS-denied、特征稀缺、光照高度动态条件下，模块化全栈自治系统如何进行鲁棒的月球 navigation 与建图？
• RQ2 学习感知（语义分割、学习特征匹配）与传统 SLAM 后端的组合如何在月球地形上实现厘米级定位与高保真地图？
• RQ3 强调覆盖与回环检测的分层规划方法是否在类似月球的条件下提升地图精度与漂移校正？
• RQ4 在高保真月球模拟器中，系统对随机种子与岩石分布的鲁棒性与可重复性如何？
• RQ5 所提系统如何泛化到包含未见地形与光照的竞赛地图？

主要发现

Preset	RMSE (m)	Geometric Map Score	Rock Map Score	Total Score
1	0.0434	269.6	153.6	823.3
2	0.0379	272.3	155.2	827.5
3	0.0605	200.8	146.2	746.9
4	0.0612	190.2	154.8	745.0
5	0.0510	224.7	150.6	775.3

• 实现厘米级定位的 RMSE，示例在不同预设和种子下最低可达到 0.0379–0.0628 m。
• 生成高保真几何地图，具备低高度误差与对多岩石分布的鲁棒岩石占据图。
• 通过带回环的姿态-图SLAM实现全局一致定位，在回环后观察到误差降低。
• 在月球自治挑战赛最终评估中表现优异，获得总第一名以及几何建图和岩石检测的高分。
• 带学习特征的语义分割（如 SuperPoint、LightGlue）在极端月光与纹理条件下提升 VO 稳定性。
• 实现开源，便于可重复性（代码可在提供的 GitHub 仓库获取）。