Learning and Autonomy for Extraterrestrial Terrain Sampling: An Experience Report from OWLAT Deployment

要約

地球外自律着陸船ミッションでは、予測不可能で多様な地形の性質に対処するための適応能力がますます求められています。
この論文では、NASA ジェット推進研究所の Ocean Worlds Lander Autonomy Testbed (OWLAT) における地形スクープ タスクのための、Controlled Deployment Gaps (CoDeGa) で訓練されたディープ メタラーニング モデルの展開について説明します。
CoDeGa を活用したスクーピング戦略は、新しい地形に適応するように設計されており、利用可能な RGB-D 画像データと限られた経験に基づいてスクーピング アクションを選択します。
この論文では、CoDeGa でトレーニングされたモデルを使用したスクーピング フレームワークを、低忠実度のテストベッドから高忠実度の OWLAT テストベッドに移行した経験を紹介します。
さらに、斬新で現実的な環境における手法のパフォーマンスを検証し、宇宙探査のための学習ベースの自律アルゴリズムの導入から学んだ教訓を共有します。
OWLATからの実験結果は、不慣れな地形に迅速に適応し、大幅なドメインシフトの下で自律的な意思決定を効果的に行う際のCoDeGaの有効性を実証し、それによって将来の地球外ミッションにおける潜在的な有用性を裏付けています。

要約(オリジナル)

Extraterrestrial autonomous lander missions increasingly demand adaptive capabilities to handle the unpredictable and diverse nature of the terrain. This paper discusses the deployment of a Deep Meta-Learning with Controlled Deployment Gaps (CoDeGa) trained model for terrain scooping tasks in Ocean Worlds Lander Autonomy Testbed (OWLAT) at NASA Jet Propulsion Laboratory. The CoDeGa-powered scooping strategy is designed to adapt to novel terrains, selecting scooping actions based on the available RGB-D image data and limited experience. The paper presents our experiences with transferring the scooping framework with CoDeGa-trained model from a low-fidelity testbed to the high-fidelity OWLAT testbed. Additionally, it validates the method’s performance in novel, realistic environments, and shares the lessons learned from deploying learning-based autonomy algorithms for space exploration. Experimental results from OWLAT substantiate the efficacy of CoDeGa in rapidly adapting to unfamiliar terrains and effectively making autonomous decisions under considerable domain shifts, thereby endorsing its potential utility in future extraterrestrial missions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google