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

要約

地球外自律着陸ミッションでは、予測不可能で多様な地形に対応する適応能力がますます求められている。本論文では、NASAジェット推進研究所のOcean Worlds Lander Autonomy Testbed (OWLAT)において、地形スクープタスクのためのCoDeGa（Deep Meta-Learning with Controlled Deployment Gaps）学習モデルの展開について述べる。CoDeGaを利用したスクープ戦略は、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プアクションを選択し、新しい地形に適応するように設計されている。本論文では、CoDeGaで訓練されたモデルを用い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する。さらに、新しい現実的な環境における手法の性能を検証し、宇宙探査のための学習ベースの自律性アルゴリズムの展開から得られた教訓を共有する。OWLATの実験結果は、CoDeGaが不慣れな地形に迅速に適応し、かなりの領域シフトの下で効果的に自律的な意思決定を行う上で有効であることを立証しており、将来の地球外ミッションにおけるCoDeGaの潜在的な有用性を裏付けている。

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, DeepL