Automatic Data Processing for Space Robotics Machine Learning

要約

自律的な地形分類は、科学的な興味のある場所を特定することが目的であれ、危険な場所を安全に横断することが目的であれ、惑星ナビゲーションにおける重要な問題である。これまでの火星探査機は、送信された画像から手動で航行可能な経路を特定するために、人間のオペレーターに頼っていた。今後数十年の火星での我々の目標は、より遠くへ、より速く、より危険な地形を自律的に移動できるローバーを最終的に必要とする。極限環境を自律的に航行することで、月や火星での水の探索や人間の居住地の準備が可能になる。機械学習技術の進歩は、地球上の地上車両の地形分類能力を向上させる可能性を示している。しかし、宇宙アプリケーションの分類結果は、教師あり学習法に適した学習データの利用可能性によって制限されている。本論文では、カメラジオメトリを使用して、キュリオシティとパーセバランスのマストカム画像プロダクトを、地形モデル上の光線投影を介して火星俯瞰図と同位置に配置する、オープンソースの自動データ処理パイプラインを提供する。将来的には、この自動データ処理パイプラインを地形分類のための機械学習手法の開発に活用する予定である。

要約(オリジナル)

Autonomous terrain classification is an important problem in planetary navigation, whether the goal is to identify scientific sites of interest or to traverse treacherous areas safely. Past Martian rovers have relied on human operators to manually identify a navigable path from transmitted imagery. Our goals on Mars in the next few decades will eventually require rovers that can autonomously move farther, faster, and through more dangerous landscapes–demonstrating a need for improved terrain classification for traversability. Autonomous navigation through extreme environments will enable the search for water on the Moon and Mars as well as preparations for human habitats. Advancements in machine learning techniques have demonstrated potential to improve terrain classification capabilities for ground vehicles on Earth. However, classification results for space applications are limited by the availability of training data suitable for supervised learning methods. This paper contributes an open source automatic data processing pipeline that uses camera geometry to co-locate Curiosity and Perseverance Mastcam image products with Mars overhead maps via ray projection over a terrain model. In future work, this automated data processing pipeline will be leveraged for development of machine learning methods for terrain classification.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL