魏祥泉，黃建明，顧冬晴，陳鳳

（上海宇航系統(tǒng)工程研究所，上海 201109）

火星車自主導航與路徑規(guī)劃技術研究

魏祥泉，黃建明，顧冬晴，陳鳳

（上海宇航系統(tǒng)工程研究所，上海 201109）

針對火星車工作任務環(huán)境，借鑒國外成功研究經(jīng)驗，給出了火星車自主導航敏感器配置，研究可在實際工程中應用的火星車自主導航與路徑規(guī)劃技術，包括DEM圖構建與障礙物檢測、全局路徑規(guī)劃、基于立體視覺相機的視覺里程計、多傳感器融合位姿確定以及局部路徑規(guī)劃技術，并搭建了實驗系統(tǒng)，在實驗室內(nèi)進行了仿真驗證。相關研究結果可為我國后續(xù)開展火星車自主導航系統(tǒng)研究提供一定的基礎。

火星車自主導航；路徑規(guī)劃；視覺里程計；多傳感器信息融合

引用格式：魏祥泉，黃建明，顧冬晴，等. 火星車自主導航與路徑規(guī)劃技術研究［J］. 深空探測學報，2016，3（3）：275-281.

Reference format: Wei X Q，Huang J M，Gu D Q，et al. Researches on the techniques of autonomous navigation and path planning for mars rover ［J］. Journal of Deep Space Exploration，2016，3（3）：275-281.

0　引　言

火星由于其獨特的科學價值和技術跨越性，成為人類開展深空探測的首選目標之一?；鹦擒囁媾R的任務環(huán)境非常復雜，使得火星車的導航研究極具挑戰(zhàn)性和特殊性，主要表現(xiàn)在以下幾個方面。

1）非確定性導航環(huán)境。星面環(huán)境是一個非確定、非結構化的未知復雜環(huán)境，難以通過各種手段獲得星面環(huán)境的全部信息，通過航拍圖預先建立的星面地圖受到分辨率和準確度等方面的限制。

2）大時延及帶寬限制。由于通信延遲、持續(xù)通信時間的限制，難以實現(xiàn)連續(xù)控制，有限帶寬難以支持連續(xù)的反饋信息（包括視頻圖像）傳輸。

3）環(huán)境感知的復雜性。由于地外星體環(huán)境的特殊性和復雜性，使星面環(huán)境感知手段受到限制，感知難度也大幅度增加，這將影響到導航系統(tǒng)所依賴的各種感知信息的精度、穩(wěn)定性和可靠性。

4）火星車的安全性和可持續(xù)工作能力是行星車導航系統(tǒng)優(yōu)先考慮的因素。

此外，行星車的正常運行還面臨資源（如能源、存儲器等）、操作時間有限、意外障礙等因素的影響。

綜上所述，火星車是一個對外界環(huán)境高度開放的智能系統(tǒng)，為了保證火星車能夠適應復雜的星面環(huán)境并順利完成各種探測任務，需要火星車具有高度的自主導航能力［1］。

國外開展火星車研制的有美國、歐空局（ESA）和俄羅斯，其中只有美國的火星車成功發(fā)射并成功運行。美國共研制了三代火星車，1996年發(fā)射的“索杰納”是首個火星車［2］，2004年發(fā)射的第二代火星車“勇氣號”和“機遇號”找到了大量的地質(zhì)學和礦物學證據(jù)證明火星上確實曾經(jīng)存在大量的水［3］，第三代火星車“好奇號”于2012年8月登陸火星，是第一輛采用了“核動力驅(qū)動”的火星車［4-5］。ESA將在2018年4月發(fā)射的任務中使用ExoMars火星車［6］。表1對國外火星車自主導航系統(tǒng)進行了比較。

為使火星車能夠安全平穩(wěn)地到達科學探測的目標點，自主導航與路徑規(guī)劃主要完成如下功能。

1）環(huán)境感知與識別：利用相機和其他敏感器建立全局三維地形圖并識別可視范圍內(nèi)障礙與危險。

2） 位姿確定：自主確定當前位置和姿態(tài)。

3）路徑規(guī)劃與避障：根據(jù)當前位置和姿態(tài)、環(huán)境感知結果及地面遙操作系統(tǒng)指定的遠距離目標點位置，進行局部路徑點分解和局部路徑規(guī)劃，保證火星車安全到達目標點。

表1　國外火星車自主導航系統(tǒng)比較Table 1　Comparison of autonomous navigation system for foreign mars rover

國內(nèi)，寧曉琳等（2006）研究了一種基于純天文觀測的火星車自主導航方法，但天文導航不能輸出連續(xù)的位置信息，需要與其他導航方法組合使用［7］。邱凱昌等（2010）研究了一種基于地面圖像和衛(wèi)星圖像集成的火星車定位方法，定位精度和定位范圍受限于地面圖像的分辨率和覆蓋范圍［8］。婁路（2012）提出一種單目視覺與MEMS-IMU融合的導航定向方法，需要與其他定位方法結合導航和長距離定向［9］。國外對火星車導航與路徑規(guī)劃的研究較多［10-13］，可為我們開展相關工作提供一定的參考。

本文的目的是研究可在實際工程中應用的火星車自主導航與路徑規(guī)劃技術，為我國未來的火星車自主探測任務奠定技術基礎。

1　火星車自主導航敏感器配置

火星車導航系統(tǒng)擬由一對全景相機、一對導航相機、兩對避障相機、慣性測量組件、數(shù)字太陽敏感器和光電編碼器組成，其布局和視場如圖1所示。

圖1　火星車自主導航與控制分系統(tǒng)組成示意圖Fig.1　The schematic diagram of the autonomous navigation and control system of mars rover

導航相機視場45°，安裝在火星車的桅桿上，在火星表面上方約1.6 m的高度，采用20 cm的基線和平行光軸；桅桿可以水平旋轉360°，安裝臺可以上下旋轉90°。一對導航相機組成被動立體視覺系統(tǒng)來探測潛在的地形危險，為火星車路徑規(guī)劃提供周圍100 m范圍內(nèi)的局部或全景地形圖像，可以與避障相機一起進行車載自主導航，也可以協(xié)助地面操作系統(tǒng)行進路線規(guī)劃。視覺里程計（Visual Odometry，VO）用于在比較短的行駛距離范圍內(nèi)（＜10 m），根據(jù)連續(xù)的導航相機立體圖像進行里程計算。

全景相機視場14°，安裝在桅桿上，可對火星車周邊地貌進行全景成像，既可用于形態(tài)學、大氣和地質(zhì)研究，也可用于三維現(xiàn)場描繪，為火星車導航提供輔助。采用30 cm的基線和平行光軸，一個是中分辨率相機，一個是高分辨率相機。需要進行遠距離路徑規(guī)劃時，使用分辨率高于導航相機的全景相機。

兩對避障相機分別安裝在火星車的前部和后部，在火星表面上方大約50 cm高度，并且指向水平大約50°，均采用10 cm基線和平行光軸。避障相機主要用于危險檢測、行駛過程中精確定位、獲取火星表面清晰的近攝圖像，以及輔助科學實驗中儀器設備部署等，是進行近距離路徑規(guī)劃的主要依據(jù)。

慣性測量組件主要用于靜態(tài)傾角測量和動態(tài)姿態(tài)預估。數(shù)字太陽敏感器主要用于確定火星車的偏航方位。光電編碼器是一種通過光電轉換將輸出軸上的機械集合位移量轉換成脈沖或數(shù)字量的傳感器。

2　火星車自主導航與路徑規(guī)劃技術

火星車自主導航與路徑規(guī)劃技術流程如圖2所示。

圖2　火星車自主導航與路徑規(guī)劃技術流程Fig.2　Technological process for autonomous navigation and path planning

2.1DEM圖構建與障礙物檢測

2.1.1圖像預處理

重點進行畸變校正、濾波和均衡化處理，以便于進行立體視覺匹配和視覺里程處理。圖像濾波采用LoG算子對圖像進行濾波，主要目的有兩個：一是使圖像中的弱紋理區(qū)域在一定程度上得到增強，另一個作用是消除兩個成像圖片之間的整體亮度差異。

圖像分割的主要目的是將紋理增強后圖像中紋理仍然較弱的區(qū)域提取出來，利用區(qū)域的整體性質(zhì)對弱紋理區(qū)域進行障礙判別，采用k-均值聚類算法。

2.1.2立體視覺匹配

火星表面由各種各樣的礦物質(zhì)組成，表面粗糙度比環(huán)境光波長大得多，表面反射主要是漫散射，局域范圍內(nèi)的紋理色彩并不是很豐富，采用基于特征提取的方法來進行立體匹配獲得的正確率不會很高。因此，所采用的算法不應致力于特征點、線或面的提取，而是應直接利用圖像對進行特征匹配。

根據(jù)上述分析，使用基于灰度值相關的目標匹配方法。設圖像對中的左幅圖像為參考圖像，對于其中的每一點選擇一定尺寸（5×5，7×7或9×9）的窗口作為模板，沿這一點在右幅圖像中對應的極線上采用同樣大小的模板進行搜索，參考模板和候選模板內(nèi)的各個像素灰度值之差最小時，兩點被認為是對應點。這種方法也叫像素灰度差的絕對值（Sum of Absolute Differences，SAD）區(qū)域匹配法。公式為

其中，dmax和dmin是系統(tǒng)可能的最小和最大的視差值；m是窗口尺寸；Iright和Ileft是左右圖像的灰度值。

2.1.3DEM圖重建

DEM圖的準確構建和障礙物的精確檢測是火星車進行自主導航與控制的前提。進行DEM圖重建主要包括DEM數(shù)據(jù)預處理、柵格地形高度估計和DEM圖后處理、幀間融合等步驟。

1）DEM數(shù)據(jù)預處理

火星車DEM數(shù)據(jù)源于車載雙目立體導航相機獲取的立體圖像，通過立體圖像匹配和三維重建得到致密的點云數(shù)據(jù)。由于立體匹配過程中的誤匹配點往往會導致重建后的點云數(shù)據(jù)出現(xiàn)錯誤點和懸浮點，因此需要對原始點云數(shù)據(jù)進行預處理，將不可靠點和錯誤點去除。此外還需將立體匹配和重建得到的三維點云數(shù)據(jù)轉換到慣導坐標系下，需要進行坐標變換。

2）柵格地形高度估計

采用DEM圖來表示地形時，一個柵格內(nèi)通常包含了多個三維點數(shù)據(jù)。為每個柵格創(chuàng)建高度直方圖以保存這些數(shù)據(jù)點的高度分布，然后根據(jù)直方圖決定每個格子的高度。

若落入某一柵格的三維點個數(shù)n＜N（N為點數(shù)閾值），則認為該點云對于該柵格數(shù)據(jù)不造成影響，即沒有得到該柵格的有效數(shù)據(jù)。若落入點數(shù)大于N的柵格，則對該柵格的平均高度進行估算。首先濾除柵格中所有高度Y＜H（H為高度閾值）的點，以減小大量地面點對障礙物高度估算的影響。對剩余點計算代數(shù)平均，得到平均高度為h，則最高點高度的估計為hmax=2×h。

由于誤匹配可能造成點云數(shù)據(jù)中存在許多懸浮點，因此需要去除懸浮點對于柵格高度的影響。采用密度判斷法解決懸浮點問題。柵格的估計密度為ρ=NTotal/h，其中，NTotal為所有落入該柵格的點數(shù)。若ρ＜ρ（其中ρ為密度閾值），則認為該柵格的估計高度h無效。若落入柵格點總數(shù)大于點數(shù)閾值，且柵格估算密度大于密度閾值的柵格，將該柵格的高度賦值為hmax，其余柵格高度則賦值為0。

3）DEM圖后處理

后處理目標是修正格子的錯誤高度和為某些無數(shù)據(jù)區(qū)作插值。判斷虛格子高度錯誤的依據(jù)是可視性原則：假想相機拍攝重建場景，所有高度的格子應該都能被拍攝到，沒被拍到的格子其高度或者有錯或者被遮擋。具體算法如下。

①檢測障礙物，判據(jù)為格子高度比其前面或者左右格子的高度高30 cm。若檢測到障礙物則繼續(xù)，否則算法結束。

②如果障礙物格子后面的格子有高度且不符合可視性原則，而且障礙物格子的高度直方圖是尖峰，則此障礙物格子是虛假的，把它設為無數(shù)據(jù)區(qū)。重復步驟①。

由于空間分辨率和誤配的原因，有些格子會沒有數(shù)據(jù)點落入，即存在無數(shù)據(jù)區(qū)，而且檢測虛假高度時，把虛假高度的格子直接設為無數(shù)據(jù)區(qū)，因此需要作插值。把無數(shù)據(jù)格子八鄰域中高度相近的格子高度的平均值作為其高度。

③幀間融合

視覺處理一部分場景會在連續(xù)好幾幀出現(xiàn)，即存在幀間的數(shù)據(jù)冗余，因此可以運用幀間融合來消除障礙物虛報。具體做法為：當在當前幀發(fā)現(xiàn)障礙物時，到前n幀查看是否有這個障礙物。如果沒有，則認為是虛假障礙，有則認為是真正的障礙。

2.2全局路徑規(guī)劃

常用的全局路徑規(guī)劃方法有模板匹配法、地圖構建法、人工勢場法以及其他一些人工智能方法?；鹦擒嚾致窂揭?guī)劃算法要求計算速度快，占用內(nèi)存小，可靠性高，重復計算簡單，選擇A*算法作為火星車全局路徑規(guī)劃方法。A*算法是一種典型的啟發(fā)式搜索算法，是求解靜態(tài)網(wǎng)絡中最短路徑的最有 效方法［14］。A*的估價函數(shù)是：f（n）=g（n）+h（n）。其中，f（n）是節(jié)點n從初始點到目標點的估價函數(shù)，g（n）是在狀態(tài)空間中從初始節(jié)點到n節(jié)點的實際代價，h（n）是從h（n）到目標節(jié)點最佳路徑的估計代價。A*算法的搜索步驟如下。

1）標記起始節(jié)點，并對其周圍的未標記過的子節(jié)點進行擴展。

2）對每一個子節(jié)點，計算其估價函數(shù)值，按照估價函數(shù)值的大小進行排序，找出估價值最小的節(jié)點進行標記。如果被標記的子節(jié)點就是目標點，則停止搜索。

3）對新標記的子節(jié)點重復步驟2）。

2.3視覺里程計

視覺里程計是利用安裝在移動自主探測車上的立體視覺相機獲取圖像序列，通過跟蹤前后幀的相同特征點，精確估計車體6個自由度的更新（位置和姿態(tài)）。利用視覺里程計可以獲得更為精確的火星車定位結果，并且結合方向傳感器定期糾正視覺里程計方向的定位誤差可以使得誤差積累非常緩慢地隨漫游距離線性增加。視覺里程計的工作分為三步：特征點提取、特征點匹配和跟蹤、魯棒運動估計。

通過性能與計算量等方面的比較與仿真分析，選擇SIFT算法進行特征提取與特征匹配，SIFT特征關鍵點雖然不如角點、邊緣檢測等具有明顯的視覺意義，但其描述了圖像局部的結構性信息，體現(xiàn)了圖像在尺度、局部結構方面的特征，并具有多量性和獨特性。特征點立體匹配和特征點跟蹤匹配完成后，經(jīng)過坐標轉換就可以得到一系列匹配點對在車體運動前后的攝相機坐標系下的三維坐標。為了兼顧算法的實時性和精確度，采用RANSAC結合線性最小二乘法求出車體運動參數(shù)的預估值，再從預估值出發(fā)運用非線性最小二乘法求出車體運動參數(shù)的精確估計值的方法。

結合RANSAC的線性最小二乘估計雖然可以有效去除外點，但所得的結果可能是不精確的。為了得到精確的估計結果，可采用Levenberg-Marquardt算法進行非線性最小二乘估計［15］。當某些前后幀之間圖像變化較大，匹配點數(shù)量很少時就不再適用。在這種情況下，可以利用正交化方法來大致求取運動估計參數(shù)。在應用中要注意把握好各幀圖像的采集間隔，保證前后兩幀圖像有較大的重疊率以提供足夠多的特征跟蹤匹配點對。

2.4多傳感器融合位姿確定

火星車自主位姿確定采用了多種測量傳感器，這些傳感器的信息要通過有效的信息融合手段，才能獲得高精度的火星車位姿參數(shù)估計。多傳感器位姿確定的 信息融合將采用集中式卡爾曼濾波（Kalman Filter，KF）算法。圖3為多傳感器信息融合位姿確定原理框圖。

圖3　多傳感器信息融合位姿確定原理框圖Fig.3　Block diagram of multisensor information fusion for pose determination

多傳感器位姿確定卡爾曼濾波將以捷聯(lián)導航計算的位置誤差、速度誤差、姿態(tài)誤差以及IMU的陀螺和加速度計測量誤差，作為待估計的系統(tǒng)狀態(tài)向量，采用卡爾曼濾波的狀態(tài)更新和量測更新算法，可以實時得到系統(tǒng)狀態(tài)的最優(yōu)估計，然后采用反饋修正方式對捷聯(lián)導航計算的位置、速度、姿態(tài)參數(shù)以及IMU的陀螺和加速度計測量值進行誤差修正。因此，捷聯(lián)導航計算輸出的經(jīng)誤差修正的位姿參數(shù)，即為多傳感器位姿確定信息融合的全局最優(yōu)估計。

2.5局部路徑規(guī)劃

對于靜態(tài)建立的全局路徑，其為離散柵格點路徑，并且由于全局地圖的精確度較差，全局規(guī)劃時得到的全局路徑并不能完全避開所有的障礙物，這就需要局部路徑規(guī)劃過程來完成局部避障和全局路徑點跟蹤。常用局部規(guī)劃方法為：VFH法、Ranger算法、Morphin算法、GESRALT算法和ND法等［16］。

由于已經(jīng)建立了全局路徑，因此對GESTALT方法進行簡化來實現(xiàn)局部路徑生成。在路徑生成過程中，忽略GESTALT建立優(yōu)異值地圖過程，并且忽略其確定值，僅考慮建立二值柵格地圖，如上述柵格地圖建立中所描述，將整個地圖標記為可行區(qū)域與不可行區(qū)域。之后建立一系列的軌跡組，從中選擇接近最遠全局路徑點，并且不經(jīng)過不可行區(qū)域的軌跡為下一步執(zhí)行軌跡。具體方法如下。

1）建立一組符合火星車運動學的軌跡；

2）分析每條軌跡所經(jīng)過的柵格，得到每條軌跡經(jīng)過的全局路徑柵格和不可行柵格，將其經(jīng)過的離目標點最近的柵格作為其最終選擇路徑點；

3）選擇經(jīng)過最遠全局路徑點并且在可行區(qū)域的軌跡為下一步執(zhí)行軌跡；

4）當沒有局部軌跡經(jīng)過路徑點，并且沒有穿過不可行區(qū)域時，選擇最容易實現(xiàn)的軌跡，也就是弧度最小的軌跡，先繞過局部障礙物，之后再按照上述方法，尋找經(jīng)過最遠路徑點并且不經(jīng)過不可行區(qū)域的軌跡，直到到達目標點為止。

如圖4所示，細弧線為規(guī)劃軌跡組，其中粗軌跡為選擇的不經(jīng)過不可行區(qū)域，并且經(jīng)過第三個路徑點的軌跡。

圖4　局部路徑選擇示意圖Fig.4　Sketch map for local path selection

由于全局路徑的精確度較差，因此規(guī)劃好的全局路徑點周圍有可能出現(xiàn)障礙物，導致此路徑點成為不可行區(qū)域，這種障礙物可稱為局部障礙物，對于此種情況，使用上述介紹方法是并不能完成避障，并且可能會產(chǎn)生錯誤，因此需要采用如圖5 所示的避障方案。當沒有局部軌跡經(jīng)過路徑點，并且沒有穿過不可行區(qū)域時，選擇最容易實現(xiàn)的軌跡，也就是弧度最小的軌跡，先繞過局部障礙物，之后再按照上述方法，尋找經(jīng)過最遠路徑點并且不經(jīng)過不可行區(qū)域的軌跡，直到到達目標點為止。

圖5　出現(xiàn)局部障礙物時的局部路徑規(guī)劃示意圖Fig.5　Sketch map for local path selection in the case of local obstacle

3　火星車自主導航與路徑規(guī)劃仿真

為了驗證火星車自主導航與路徑規(guī)劃方法的可行性，構建了實驗系統(tǒng)進行仿真驗證。

火星車自主導航與路徑規(guī)劃實驗系統(tǒng)如圖6所示，利用導航相機拍攝的實驗地形圖如圖7所示，經(jīng)處理后構建的DEM圖如圖8所示。使用A*算法建立的全局最優(yōu)路徑如圖9所示，其中細線條即為最優(yōu)全局路徑。局部路徑規(guī)劃結果圖10所示，其中細線軌跡為全局規(guī)劃路徑，粗線軌跡為局部跟蹤之后的路徑。

圖6　火星車自主導航與路徑規(guī)劃實驗系統(tǒng)組成Fig.6　Composition of experiment system of autonomous navigation and path planning for Mars Rover

圖7　實驗地形圖Fig.7　Topographic map for experiment

圖8　構建的DEM圖Fig.8　Constructed DEM diagram

4　結束語

本文首先在火星車工作任務環(huán)境特性和國內(nèi)外相關研究情況分析的基礎上，給出了火星車自主導航敏感器配置；然后，重點研究可實際工程應用的火星車自主導航與路徑規(guī)劃技術，給出了自主導航與路徑規(guī)劃技術流程，研究了所涉及的DEM圖構建與障礙物檢測、全局路徑規(guī)劃、基于立體視覺相機的視覺里程計、多傳感器融合位姿確定以及局部路徑規(guī)劃技術；最后利用實驗搭建的半物理仿真系統(tǒng)在實驗室內(nèi)進行了仿真驗證。相關研究結果可為我國后續(xù)開展火星車自主導航系統(tǒng)研究提供一定的基礎。

圖9　A*路徑搜索結果Fig.9　Path search results for A* method

圖10　局部路徑規(guī)劃結果Fig.10　Local path planning results

［1］Li R，Di K，Howard A B，et al. Rock modeling and matching for autonomous long-range Mars rover localization［J］. Journal of Field Robotics，2007，24（3）：187-203

［2］Matthies L，Gat E，Harrison R，et al. Mars microrover navigation：performance evaluation and enhance- ment［J］. Autonomous Robots，1995，2（4）：291-31

［3］Cheng Y，Maimone M W，Matthies L H. Visual odometry on the Mars exploration rovers［J］. IEEE Robotics and Automation Special Issue（MER），2006，13（2）：54-62

［4］張揚眉. 性能優(yōu)異的美國“火星科學實驗室”［J］. 國際太空. 2011（11）：17-23. Zhang Y M. American Mars Science Laboratory with excellent properties［J］. Space International，2011（11）：17-23.

［5］天力. 美好奇號漫游車登陸火星［J］. 中國航天，2012（9）：16-18 Tian L. Curiosity Mars Rover landed on Mars［J］. Erospace China，2012（9）：16-18.

［6］Griffiths A D，Coates A，Jaumann R. et. al. Context for the ESA ExoMars rover：the Panoramic Camera（PanCam） instrument［J］. International Journal of Astrobiology，2006，5（3）：269-275.

［7］寧曉琳，房建成. 一種基于純天文觀測的火星車自主導航方法［J］.空間科學學報. 2006，26（2）：142-147. Ning X L，F(xiàn)ang J C. A new autonomous navigation method for martian rover based on celestial observation［J］. Chin. J. Space Sci.，2006，26（2）：142-147.

［8］邸凱昌，岳宗玉，劉召芹. 基于地面圖像和衛(wèi)星圖像集成的火星車定位新方法［J］. 航天器工程，2010，19（4）：11-16. Di K C，Yue Z Y，Liu Z Q. A new approach to Mars rover localization based on integration of ground and orbital images［J］. Spacecraft engineering，2010，19（4）：11-16.

［9］婁路. 基于視覺和MEMS-IMU融合的火星車導航定向技術［J］. 航天控制，2012，30（4）：32-36，48. Lou L. An approach of attitude estimation by using vision-aided IMU for Mars rover［J］. Aerospace Control，2012，30（4）：32-36，48.

［10］Estlin T，Gaines D. Automated decision-making for Mars rover onboard science［C］//AIAA 2007 Conference and Exhibit. Rohnert Park，California ：AIAA，2007.

［11］Joudrier L，Elfving A. Challenges of the ExoMars rover control［C］//AIAA Unmanned... Unlimited Conference. Seattle，Washington：AIAA，2009.

［12］Helmick D M，Angelova A. Terrain adaptive navigation for Mars rovers［C］// 2007 IEEE Aerospace Conference. ［S.l.］：IEEE，2007.

［13］Estlin T，Castano R. Automated targeting for the MER Rovers［C］// AIAA Unmanned... Unlimited Conference. Seattle，Washington：AIAA，2009.

［14］Stentz A. The focussed D* algorithm for real-time replanning［C］// Proceedings of IJCAI-95. ［S.l.］：IJCAI，1995.

［15］DUR E. Optical flow-based obstacle detection and avoidance behaviors for mobile robots used in unmaned planetary exploration［C］//2009 4th International Conference on Recent Advances in Space Technologies.［S.l.］：IEEE，2009.

［16］Goldberg S，Maimone M. Stereo vision and rover navigation software for planetary exploration［C］//IEEE Aerospace Conference. Big Sky，Montana：IEEE，2002.

通信地址：上海市閔行區(qū)元江路3888號805所20室（201109）

電話：（021）24186224

E-mail：weixiangquan@163.com

Researches on the Techniques of Autonomous Navigation and Path Planning for Mars Rover

WEI Xiangquan，HUANG Jianming，GU Dongqing，CHEN Feng
（Aerospace System Engineering Shanghai，Shanghai 201109， China）

Considering the mission environment，through drawing lessons from international research experience，the sensor configuration of autonomous navigation of mars rover is given，and the autonomous navigation and path planning techniques which can be used in aerospace engineering are investigated in this paper. According to the requirement of autonomous navigation and riding for rover on mars，the involved techniques are deeply researched，such as DEM（Digital Elevation Model）construction and obstacle detection，global path planning，video odometer based on stereo vision，pose determination based on multi-sensor fusion as well as local path planning. A set of experimental system was established，and the simulation experiment was carried in laboratory. The relative research results can offer some basis for the researches of autonomous navigation system for succeeding mars rover.

autonomous navigation；path planning；video odometer；multi-sensor fusion

V448.224

A

2095-7777（2016）03-0275-7

10.15982/j.issn.2095-7777.2016.03.012

魏祥泉（1974- ），男，博士，研究員， 主要研究方向：空間目標特性，視覺導航，模式識別與智能系統(tǒng)。

［責任編輯：宋宏］

2015-11-01；

2016-6-30

國家自然科學基金（61573247）