[论文解读] Optimized Mission Planning for Planetary Exploration Rovers

Alexander Lavin|arXiv (Cornell University)|Nov 1, 2015

Robotic Path Planning Algorithms参考文献 11被引用 3

一句话总结

本文提出了一种针对行星巡视器的优化任务规划框架，整合了全局导航与元启发式优化，以选择最安全、最高效的着陆区（LZ）和路径。该方法采用A*算法进行路径规划，并利用模拟退火法最小化风险与任务成本，在月球任务的仿真中显著降低了地形危险暴露。

ABSTRACT

The exploration of planetary surfaces is predominately unmanned, calling for a landing vehicle and an autonomous and/or teleoperated rover. Artificial intelligence and machine learning techniques can be leveraged for better mission planning. This paper describes the coordinated use of both global navigation and metaheuristic optimization algorithms to plan the safe, efficient missions. The aim is to determine the least-cost combination of a safe landing zone (LZ) and global path plan, where avoiding terrain hazards for the lander and rover minimizes cost. Computer vision methods were used to identify surface craters, mounds, and rocks as obstacles. Multiple search methods were investigated for the rover global path plan. Several combinatorial optimization algorithms were implemented to select the shortest distance path as the preferred mission plan. Simulations were run for a sample Google Lunar X Prize mission. The result of this study is an optimization scheme that path plans with the A* search method, and uses simulated annealing to select ideal LZ-path- goal combination for the mission. Simulation results show the methods are effective in minimizing the risk of hazards and increasing efficiency. This paper is specific to a lunar mission, but the resulting architecture may be applied to a large variety of planetary missions and rovers.

研究动机与目标

• 开发一种协调的行星巡视器任务规划系统，以在表面探索期间最小化风险与成本。
• 识别最经济的着陆区（LZ）与全局路径规划组合，以避开地形障碍。
• 评估整合全局导航与元启发式优化在自主行星探索中的有效性。
• 展示所提出架构在月球以外各类行星任务中的可扩展性。

提出的方法

• 利用计算机视觉技术从地形数据中检测表面障碍物，如陨石坑、土包和岩石。
• 采用A*搜索算法进行全局路径规划，以确定从着陆点到目标的最短、最安全路径。
• 应用模拟退火法作为元启发式算法，优化着陆区与路径的联合选择，以最小化整体任务成本。
• 通过为靠近地形障碍物的路径和着陆区分配更高成本，将避障纳入成本函数。
• 基于Google月球X Prize的样本任务进行仿真，以在真实约束条件下评估性能。
• 使用组合优化方法比较多个LZ-路径-目标组合，选择最优配置。

实验结果

研究问题

• RQ1 什么是最优的着陆区与路径组合，可在避免地形障碍的同时最小化任务成本？
• RQ2 A*路径规划与模拟退火法的集成在降低任务风险和提升效率方面有多有效？
• RQ3 该框架在不同行星天体和巡视器任务中的通用性如何？
• RQ4 不同的障碍物检测与成本建模策略对最终任务规划质量有何影响？

主要发现

• 所提出的框架成功利用模拟退火法识别出成本最低的LZ-路径-目标组合，显著降低了危险暴露。
• 仿真结果表明，A*算法在复杂地形条件下能提供高效且安全的路径规划。
• 通过计算机视觉实现的障碍物检测可准确识别陨石坑、土包和岩石等导航危险。
• 该方法通过优先选择与地形障碍物距离最小的路径和着陆区，降低了任务风险。
• 该架构可适配多种行星任务，显示出在月球探索之外更广泛应用的强潜力。