邸凱昌,王 鎵,邢 琰,劉召芹,萬文輝,彭 嫚,王曄昕,劉 斌,于天一,李立春,劉傳凱

1. 中國(guó)科學(xué)院空天信息創(chuàng)新研究院遙感科學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100101; 2. 北京航天飛行控制中心,北京 100094; 3. 北京控制工程研究所,北京 100094

20世紀(jì)末至今，世界上主要的航天大國(guó)出于航天科技發(fā)展和國(guó)家戰(zhàn)略的考慮，紛紛提出月球、火星、小行星和其他類地行星的探測(cè)計(jì)劃并積極實(shí)施，掀起新一輪深空探測(cè)熱潮[1-2]。相比于軌道器探測(cè)，著陸巡視探測(cè)能夠?qū)π行潜砻婧痛伪韺娱_展更高分辨率的原位探測(cè)，是開展類地行星表面探測(cè)和科學(xué)研究的重要手段。表1中列出了迄今為止國(guó)際國(guó)內(nèi)成功執(zhí)行的無人駕駛巡視器(探測(cè)車)的相關(guān)信息，巡視探測(cè)任務(wù)集中在月球和火星，目前正在工作的探測(cè)車包括我國(guó)的玉兔二號(hào)月球車、美國(guó)好奇號(hào)和毅力號(hào)火星車。我國(guó)的天問一號(hào)火星探測(cè)器已于2021年5月15日安全著陸。

在安全著陸以后，探測(cè)車巡視探測(cè)和科學(xué)研究的前提條件是安全移動(dòng)，以及有效獲取科學(xué)載荷數(shù)據(jù)，因此環(huán)境感知與導(dǎo)航定位是深空探測(cè)車自動(dòng)駕駛的核心技術(shù)。歷史上及目前的探測(cè)車行駛尚不能實(shí)現(xiàn)全自動(dòng)的駕駛[2]。蘇聯(lián)的月球車1號(hào)和2號(hào)依靠地面遙操作方式實(shí)現(xiàn)巡視器的探測(cè)，具體方式為組建5人駕駛員團(tuán)隊(duì)，依靠巡視器攜帶不同攝像機(jī)拍攝并下傳的影像完成估算和判斷，通過飛控中心的遠(yuǎn)程控制系統(tǒng)直接“駕駛”月球車實(shí)現(xiàn)月面巡視探測(cè)(存在地月通訊延時(shí))，并無自主導(dǎo)航能力[3]。美國(guó)的Mars Exploration Rovers(MER)勇氣號(hào)和機(jī)遇號(hào)采用遙操作及半自主的控制方式[4]，長(zhǎng)距離的行駛一般由盲行駛和自主行駛兩種模式混合實(shí)現(xiàn)，即首先采用地面遙操作方式確定安全行駛路徑進(jìn)行盲行駛，然后開啟自主行駛模式，利用導(dǎo)航和避障軟件選擇路徑自主行駛較短的距離[5-6]。與MER類似，美國(guó)的好奇號(hào)火星車也采用遙操作及半自主的控制方式，提供3種行駛模式：盲行駛，避障加車輪打滑檢查模式，避障加全程視覺測(cè)程模式[7]。我國(guó)嫦娥三號(hào)和嫦娥四號(hào)月面巡視探測(cè)任務(wù)中，月球車采用了遙操作及半自主的控制方式，地面飛控人員可以通過回傳圖像進(jìn)行大范圍地形重建、定位和探測(cè)目標(biāo)選??；月球車可通過盲行駛、自主避障規(guī)劃移動(dòng)、激光探測(cè)避障移動(dòng)和地面直接驅(qū)動(dòng)等多種移動(dòng)模式實(shí)現(xiàn)不同地形下的自主安全巡視，其中自主避障規(guī)劃移動(dòng)和激光探測(cè)避障移動(dòng)模式能夠自主進(jìn)行環(huán)境感知和避障[8-9]。

深空探測(cè)車的自動(dòng)駕駛與地球上汽車自動(dòng)駕駛相比，在環(huán)境感知與導(dǎo)航定位中的導(dǎo)航基礎(chǔ)設(shè)施及數(shù)據(jù)支持、傳感器配置、計(jì)算機(jī)性能等多方面有明顯的不同。汽車自動(dòng)駕駛的環(huán)境(即路網(wǎng))有高精度道路地圖的支持和高精度GNSS定位的支持，環(huán)境感知普遍使用大量的傳感器包括激光雷達(dá)、毫米波雷達(dá)、超聲波雷達(dá)、相機(jī)等，車載計(jì)算機(jī)的性能很高。而深空探測(cè)車的行駛探測(cè)過程中，并沒有現(xiàn)成的道路和高精度道路地圖，更沒有GNSS定位設(shè)施，受限于重量和功耗，所使用的環(huán)境感知傳感器主要為相機(jī)，探測(cè)車的計(jì)算機(jī)性能較低。所有這些差異使得深空探測(cè)車環(huán)境感知與導(dǎo)航定位有其獨(dú)特的挑戰(zhàn)[2]。目前已成功運(yùn)行的深空探測(cè)車有月球車和火星車(表1)，其環(huán)境感知和導(dǎo)航定位核心技術(shù)和應(yīng)用總體上相同，由于月球日與火星日時(shí)長(zhǎng)的差別，以及月球和火星與地球通訊的時(shí)延不同，其具體應(yīng)用模式略有不同；另外，火星表面形貌類型比月球表面豐富，環(huán)境感知中的地形分類研究針對(duì)火星較多、針對(duì)月球較少。

表1 成功執(zhí)行的無人巡視器探測(cè)任務(wù)

1 深空探測(cè)車環(huán)境感知技術(shù)進(jìn)展

深空探測(cè)車要安全有效地執(zhí)行科學(xué)與工程任務(wù)，首先需要用其攜帶的傳感器感知所在環(huán)境。探測(cè)車的環(huán)境感知主要包括三維地形重建和障礙識(shí)別。在火星巡視探測(cè)中，地形分類對(duì)于障礙識(shí)別和路徑規(guī)劃有很好的支撐作用，也是環(huán)境感知的重要組成部分。下面針對(duì)三維地形重建、障礙識(shí)別、地形分類分別展開論述，其中包括工程任務(wù)中應(yīng)用的成熟技術(shù)以及一些近期的研究進(jìn)展。

1.1 三維地形重建

利用探測(cè)車獲得的影像對(duì)著陸區(qū)和巡視區(qū)進(jìn)行高精度的三維地形重建，可以獲取著陸探測(cè)區(qū)域精細(xì)的形貌特征，為探測(cè)車的安全行駛提供最基礎(chǔ)的地形三維信息。在MER火星車探測(cè)任務(wù)中，火星車所攜帶的導(dǎo)航、全景和避障立體相機(jī)提供了對(duì)火星表面環(huán)境及科學(xué)目標(biāo)精細(xì)制圖的能力。文獻(xiàn)[10]對(duì)火星車立體相機(jī)的三維測(cè)圖能力進(jìn)行了理論分析，在MER任務(wù)執(zhí)行過程中，自動(dòng)生成了多種類型和規(guī)格的地形制圖產(chǎn)品，如數(shù)字高程模型(DEM)、數(shù)字正射影像圖(DOM)、坡度圖、深度圖、表面法向量圖、表面粗糙度圖等，這些圖與火星車定位數(shù)據(jù)一起直接用于火星車的路徑規(guī)劃，也用于對(duì)探測(cè)區(qū)域和探測(cè)目標(biāo)的科學(xué)研究[11-15]。文獻(xiàn)[16]研究了面向地形測(cè)圖的長(zhǎng)基線立體視覺方法；文獻(xiàn)[17]研究了火星車長(zhǎng)基線測(cè)圖的理論精度，并開發(fā)了長(zhǎng)基線三維測(cè)圖的方法。在嫦娥三號(hào)任務(wù)中，利用著陸器降落相機(jī)序列影像生成了著陸區(qū)高精度三維制圖產(chǎn)品，分辨率高達(dá)0.05 m，為玉兔號(hào)月球車導(dǎo)航定位提供了比嫦娥二號(hào)DOM更精細(xì)的底圖[18-19]；在每一個(gè)停泊點(diǎn)，利用月球車導(dǎo)航相機(jī)獲取的影像自動(dòng)生成了DEM、DOM、坡度圖等地形制圖產(chǎn)品，用于支持月球車行駛路徑規(guī)劃[18]。在嫦娥四號(hào)任務(wù)中，利用玉兔二號(hào)月球車的導(dǎo)航相機(jī)和全景相機(jī)生成了標(biāo)準(zhǔn)化的厘米級(jí)分辨率的DEM、DOM和坡度圖等產(chǎn)品，支持障礙識(shí)別和路徑規(guī)劃[20-21]。

三維地形重建的主要流程包括影像模型的構(gòu)建和定向、立體匹配、點(diǎn)云生成和DEM內(nèi)插。其中立體匹配是影響地形產(chǎn)品質(zhì)量的關(guān)鍵。目前深空探測(cè)車地形重建中的立體匹配方法可分為基于特征的匹配和全局匹配?；谔卣鞯钠ヅ涫紫仁褂肍?rstner算子、SIFT算子、SURF算子等提取特征點(diǎn)，然后采用核線約束、從粗到精策略和三角網(wǎng)約束等匹配策略實(shí)現(xiàn)密集點(diǎn)匹配。MER任務(wù)中的MIPL(multimission image processing laboratory)負(fù)責(zé)MER圖像數(shù)據(jù)的地面處理，其流水線中使用匹配的特征點(diǎn)作為種子點(diǎn)，結(jié)合金字塔影像使用雙線性變換在種子點(diǎn)8鄰域內(nèi)擴(kuò)散獲得稠密匹配點(diǎn)，在此基礎(chǔ)上生成了一系列地形產(chǎn)品[14,22]。文獻(xiàn)[23]研究了不同特征的匹配算子在探測(cè)車制圖和定位的性能。全局匹配方法是使用不同相似度函數(shù)(SSD、SAD、相關(guān)系數(shù))計(jì)算區(qū)域的相似性，建立對(duì)應(yīng)的能量函數(shù)，選擇能量函數(shù)值最小時(shí)對(duì)應(yīng)的匹配結(jié)果實(shí)現(xiàn)像素級(jí)的匹配。文獻(xiàn)[24]提出了基于平面約束和自適應(yīng)懲罰參數(shù)的半全局立體匹配方法，降低了傳統(tǒng)方法的計(jì)算復(fù)雜度。針對(duì)深空探測(cè)影像紋理貧乏導(dǎo)致的匹配不確定性，文獻(xiàn)[25]提出自適應(yīng)馬爾可夫隨機(jī)場(chǎng)模型，在實(shí)現(xiàn)全局匹配的同時(shí)保留了視差不連續(xù)的區(qū)域特征，匹配精度優(yōu)于SAD區(qū)域匹配法和傳統(tǒng)的馬爾可夫匹配法。

1.2 障礙識(shí)別

障礙識(shí)別是保證探測(cè)車安全行駛和完成任務(wù)的關(guān)鍵技術(shù)，深空探測(cè)車多使用立體相機(jī)影像及其派生產(chǎn)品進(jìn)行障礙識(shí)別，主要包括基于三維信息的方法、基于單張影像的方法和結(jié)合二維三維信息的方法。

最基本的基于三維信息的方法是通過探測(cè)車立體影像生成的深度圖或高程圖進(jìn)行障礙檢測(cè)，在工程任務(wù)中廣泛應(yīng)用。文獻(xiàn)[26]使用立體影像獲得子像素的距離圖，然后使用最小二乘擬合平面計(jì)算出坡度圖，通過擬合平面中的離群點(diǎn)進(jìn)行分組確定石塊障礙?！坝裢枚?hào)”行駛過程中，導(dǎo)航相機(jī)在每個(gè)站點(diǎn)生成了0.02 m的DEM和DOM，在這些地形產(chǎn)品基礎(chǔ)上生成了0.3 m的坡度圖，綜合考慮地形坡度、高程差和探測(cè)車的越障能力生成障礙圖[20-21]。圖1展示了玉兔二號(hào)導(dǎo)航相機(jī)在D′站點(diǎn)生成的DEM、DOM、坡度圖和障礙圖。

基于單張影像的方法主要通過基于邊緣、區(qū)域或機(jī)器學(xué)習(xí)的方法進(jìn)行障礙檢測(cè)，其中石塊檢測(cè)得到了較多的研究。文獻(xiàn)[27]對(duì)比了7種提取石塊的方法，主要包含基于邊緣檢測(cè)、陰影和灰度信息、雙目幾何信息、基于窗口的Adaboost以及基于像素的SVM等方法?；谶吘壍臋z測(cè)方法主要基于紋理和梯度等特征檢測(cè)障礙，通過不同的邊緣檢測(cè)算子獲得圖像邊緣，然后連接各邊緣點(diǎn)獲取輪廓線[28]?；趨^(qū)域的方法主要通過K均值、二維類間方差、超像素分割、水平集等算法將障礙和背景進(jìn)行區(qū)分。文獻(xiàn)[29]利用K均值法將灰度影像進(jìn)行分割，然后通過紋理和灰度進(jìn)行分類，最終獲取障礙圖。文獻(xiàn)[30]改進(jìn)了傳統(tǒng)二維最大類間方差法實(shí)現(xiàn)月面的障礙物識(shí)別，優(yōu)化了搜索最大閾值的時(shí)間。超像素分割進(jìn)行石塊檢測(cè)的方法首先結(jié)合影像分割得到的超像元區(qū)域，然后比較各個(gè)區(qū)域的特征值，最終通過閾值算法分割出石塊[31-34]。文獻(xiàn)[35]將區(qū)域信息和梯度信息引入到水平集中，通過能量函數(shù)的最小化求解提取石塊。機(jī)器學(xué)習(xí)方面，文獻(xiàn)[36]建立石塊在不同光照條件下的級(jí)聯(lián)模板，通過Adaboost對(duì)其進(jìn)行訓(xùn)練構(gòu)建級(jí)聯(lián)分類器來快速識(shí)別石塊[36]。近年的研究中，深度學(xué)習(xí)方法也被用來提取障礙，例如文獻(xiàn)[37]使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)類似火星車影像進(jìn)行石塊提取，通過對(duì)U-net卷積網(wǎng)絡(luò)進(jìn)行結(jié)構(gòu)改進(jìn)，提高了分割影像的速度并取得了較高的精度。

結(jié)合二維和三維的方法主要利用影像的灰度信息和三維的高程信息提取障礙。文獻(xiàn)[38]首先使用從立體圖像的三維點(diǎn)云來擬合可以提取坡度的平面，并使用單張圖像根據(jù)熵信息提取巖石，然后從擬合的平面殘差中得到石塊的高度。文獻(xiàn)[39]結(jié)合勇氣號(hào)火星車導(dǎo)航相機(jī)獲取的影像數(shù)據(jù)mean-shift分割結(jié)果和對(duì)應(yīng)的深度點(diǎn)云數(shù)據(jù)對(duì)石塊進(jìn)行了提取。文獻(xiàn)[21]提出一種結(jié)合單張影像和局部三維點(diǎn)云的障礙提取方法，結(jié)合三維點(diǎn)云反投得到的種子點(diǎn)和影像mean-shift分割結(jié)果，通過閾值比較得到障礙結(jié)果。

圖1 玉兔二號(hào)導(dǎo)航相機(jī)在D′站點(diǎn)生成的地形產(chǎn)品[20]Fig.1 Map generated from Yutu-2 navcam images at waypoint D′[20]

1.3 地形分類

早期的深空探測(cè)車在制定行駛路徑時(shí)，主要基于立體影像重建的三維地形進(jìn)行可通行性及障礙分析形成代價(jià)圖，并在此基礎(chǔ)上進(jìn)行路徑規(guī)劃，并未直接定量地考慮地形地貌類別對(duì)探測(cè)車行駛的影響。由于在探測(cè)過程中發(fā)現(xiàn)不同的地形對(duì)車輪滑移程度的影響不同，且有的地形地貌易造成車體沉陷，這些均會(huì)顯著增加探測(cè)車的安全風(fēng)險(xiǎn)。近年來，面向路徑規(guī)劃的巡視器影像的地形分類開始引起重視并開展了不少研究。

初期主要采用聚類和傳統(tǒng)機(jī)器學(xué)習(xí)的方法[40]，例如采用DEM數(shù)據(jù)進(jìn)行無監(jiān)督聚類的方法[41]，自適應(yīng)模糊粗糙特征結(jié)合SVM的方法[42]，結(jié)合圖像梯度和統(tǒng)計(jì)特征和隨機(jī)森林的方法等[43-44]。深度學(xué)習(xí)方法則在近年的研究中被采用，如文獻(xiàn)[45]利用全卷積網(wǎng)絡(luò)對(duì)地形地貌進(jìn)行分類，將分類結(jié)果用于決策路徑規(guī)劃，其中對(duì)于軌道器影像進(jìn)行17類地形分類，對(duì)于火星車導(dǎo)航相機(jī)影像進(jìn)行6種地形分類，其試驗(yàn)結(jié)果軌道器影像地形分類精度高，平均精度達(dá)90.2%，而導(dǎo)航相機(jī)影像地形分類精度差，平均精度不足55%?；鹦擒囉跋竦匦畏诸惤Y(jié)果如圖2所示。該項(xiàng)技術(shù)中軌道器影像地形地貌分類參與可通過性分析的成果已應(yīng)用于NASA的Mars2020的預(yù)選著陸區(qū)分析中[46]。文獻(xiàn)[47]在之前研究基礎(chǔ)上，又提出利用多個(gè)深度學(xué)習(xí)網(wǎng)絡(luò)分別對(duì)火星車圖像進(jìn)行解譯和可通過性分析，實(shí)現(xiàn)科學(xué)目標(biāo)探測(cè)需求牽引的巡視器路徑規(guī)劃，目前這些技術(shù)處于研究測(cè)試階段。

不同的地形地貌類型對(duì)于探測(cè)車行駛的潛在危險(xiǎn)有所不同，車輪打滑和沉陷是兩類研究較多的危險(xiǎn)情況，另外，在行駛安全的情況下不同的地形對(duì)車輪的磨損也是不同的。車輪打滑和沉陷的研究分別通過傳感器參數(shù)狀態(tài)監(jiān)測(cè)以及視覺方法來建立相應(yīng)模型。文獻(xiàn)[48]通過感知不同傳感器的運(yùn)行狀態(tài)來檢測(cè)車輪打滑，并提出基于邊緣檢測(cè)的車輪下陷估計(jì)算法。文獻(xiàn)[49]對(duì)影像中輪腿混合移動(dòng)系統(tǒng)區(qū)域進(jìn)行顏色空間分割和形態(tài)學(xué)方法來計(jì)算巡視器的下陷程度。文獻(xiàn)[50]通過動(dòng)態(tài)非線性方法將圖像轉(zhuǎn)換至HSI空間提取車輪土壤邊界，并通過離散數(shù)學(xué)模型計(jì)算不同地形條件下的車輪沉陷量。文獻(xiàn)[51]將俯仰角、翻滾角以及上一步的滑移量作為輸入，結(jié)合經(jīng)典幾何模型來計(jì)算巡視器的滑移量。文獻(xiàn)[52]通過分析勇氣號(hào)從Sol 154到Sol 737的滑移發(fā)現(xiàn)，滑移與坡度方向和幅度高度相關(guān)，并對(duì)4種不同地形滑移分析后發(fā)現(xiàn)基巖滑移量最小。文獻(xiàn)[53]根據(jù)地層和其侵蝕形式利用HiRISE圖像生成地貌圖，并利用好奇號(hào)影像更新結(jié)果，遍歷了其通行的整個(gè)路徑來分析不同地貌對(duì)車輪的損害影響程度。上述研究是在地球上通過模型探測(cè)車研究和測(cè)試或工程數(shù)據(jù)后處理分析，尚未在深空探測(cè)車工程上實(shí)時(shí)化應(yīng)用。

2 深空探測(cè)車視覺定位技術(shù)進(jìn)展

深空探測(cè)任務(wù)中，探測(cè)車定位為導(dǎo)航避障規(guī)劃提供位置信息，是開展表面巡視探測(cè)任務(wù)的基礎(chǔ)，對(duì)任務(wù)的安全執(zhí)行有著重要意義。深空環(huán)境沒有GNSS等直接定位信號(hào)，因此需要依靠慣導(dǎo)、里程計(jì)及視覺相機(jī)等車載傳感器通過自主定位為探測(cè)任務(wù)提供定位結(jié)果。隨著行駛距離的增長(zhǎng)，自主定位的誤差累積不可避免，為降低定位累積誤差對(duì)任務(wù)規(guī)劃的影響，還需考慮引入軌道器影像或降落相機(jī)影像等其他視覺數(shù)據(jù)，通過集成處理修正探測(cè)車定位累積誤差。

探測(cè)車定位分為絕對(duì)定位和相對(duì)定位，絕對(duì)定位是確定探測(cè)車在全局坐標(biāo)系(星固坐標(biāo)系)的位置，相對(duì)定位指確定探測(cè)車當(dāng)前站點(diǎn)相對(duì)于上一個(gè)站點(diǎn)的位置。2.5節(jié)中探測(cè)車影像同軌道器影像集成的定位是絕對(duì)定位，其他方法從原理上講都是相對(duì)定位。相對(duì)定位在局部坐標(biāo)系中持續(xù)進(jìn)行，一般將著陸點(diǎn)位置作為局部坐標(biāo)系的坐標(biāo)原點(diǎn)，也是相對(duì)定位的起點(diǎn)。根據(jù)著陸點(diǎn)定位的絕對(duì)位置，可以把相對(duì)定位結(jié)果轉(zhuǎn)換成絕對(duì)定位結(jié)果[20,54]。

下面對(duì)站點(diǎn)視覺定位、在線視覺測(cè)程定位、探測(cè)車影像同軌道器影像集成的定位等工程任務(wù)中常用的視覺定位技術(shù)展開論述。航跡推算不屬于視覺定位，但作為基礎(chǔ)性的定位方法在工程任務(wù)常用；視覺與多傳感器組合導(dǎo)航定位開展了較多研究，有很好的應(yīng)用潛力，因此這兩種方法也一并介紹。

2.1 航跡推算

航跡推算方法通過融合探測(cè)車車載慣性測(cè)量單元(IMU)和里程計(jì)數(shù)據(jù)，不斷推估出探測(cè)車的位置姿態(tài)結(jié)果，具有不受外界環(huán)境影響、定位輸出穩(wěn)健性強(qiáng)的優(yōu)點(diǎn)。定位過程中，慣導(dǎo)感知探測(cè)車姿態(tài)與速度的變化，輸出平臺(tái)角速度與加速度值，里程計(jì)則記錄探測(cè)車行駛路徑的長(zhǎng)度數(shù)據(jù)。兩類數(shù)據(jù)一般采用卡爾曼濾波進(jìn)行融合，通過里程計(jì)的觀測(cè)約束慣導(dǎo)陀螺和加速度長(zhǎng)時(shí)間運(yùn)行產(chǎn)生的位置漂移，輸出穩(wěn)健的定位結(jié)果。航跡推算方法是探測(cè)車巡視探測(cè)中的常規(guī)定位方法。但在松軟土壤和崎嶇地面區(qū)域行駛時(shí)，探測(cè)車車輪打滑嚴(yán)重，使用航跡推算方法定位誤差顯著增大。美國(guó)MER任務(wù)中，勇氣號(hào)與機(jī)遇號(hào)探測(cè)車航跡推算精度為10%[55]。我國(guó)嫦娥任務(wù)玉兔號(hào)與玉兔二號(hào)航跡推算精度為行駛距離的15%[20,54]。為滿足探測(cè)任務(wù)需要，還需采用視覺等其他定位手段獲取探測(cè)車高精度位置姿態(tài)信息。

2.2 站點(diǎn)視覺定位

探測(cè)任務(wù)中，探測(cè)車一般在導(dǎo)航站點(diǎn)及探測(cè)站點(diǎn)利用車載立體相機(jī)獲取多對(duì)立體影像。基于前后站點(diǎn)的立體影像，通過尋找站點(diǎn)圖像間的同名點(diǎn)作為連接點(diǎn)，應(yīng)用視覺定位方法解算當(dāng)前站點(diǎn)影像相對(duì)上一站點(diǎn)影像的相對(duì)位置姿態(tài)參數(shù)，結(jié)合前一站點(diǎn)的位置信息即可計(jì)算輸出當(dāng)前站點(diǎn)的定位結(jié)果。該方法的定位結(jié)果不隨時(shí)間而發(fā)生漂移，也不受地形條件影響，具有較好的自主性和較高的精度，已業(yè)務(wù)化應(yīng)用于我國(guó)玉兔號(hào)和玉兔二號(hào)月球車定位，修正GNC航跡推算定位結(jié)果[20,54,56]。圖3為玉兔二號(hào)月球車站點(diǎn)視覺定位結(jié)果(截至日期：2021-03-20)。

圖2 好奇號(hào)火星車導(dǎo)航相機(jī)影像的地形分類結(jié)果[45]Fig.2 Examples of terrain classification results of two Curiosity navcam images[45]

圖3 玉兔二號(hào)月球車前28月晝行駛路線Fig.3 Traverse map of Yutu-2 rover up to the 28th lunar days

站點(diǎn)視覺定位方法的核心是尋找相鄰站點(diǎn)影像間的同名點(diǎn)。由于相鄰站點(diǎn)間距離一般在10 m左右，相鄰站點(diǎn)成像時(shí)間間隔大，站點(diǎn)圖像在尺度、視角、光照條件等方面存在較大不同，需采用能較好克服圖像尺度、形變及亮度變化的匹配方法。在嫦娥三號(hào)與四號(hào)巡視探測(cè)中，月球車在每個(gè)站點(diǎn)采用前向立體影像及回望立體影像進(jìn)行視覺定位[57]。定位時(shí)，依據(jù)由航跡推算得到的探測(cè)車初始定位結(jié)果，大致提取前后站點(diǎn)影像的同名區(qū)域，通過圖像縮放、變形等處理，使得相鄰影像上同名區(qū)域盡可能在尺度、視角上一致。隨后，采用Affine-SIFT[58]匹配方法尋找相鄰站點(diǎn)影像的同名點(diǎn)。依據(jù)同名點(diǎn)結(jié)果，以前一站點(diǎn)影像位姿參數(shù)為真值，用光束法平差方法計(jì)算當(dāng)前站點(diǎn)探測(cè)車的位置。

通過地面操作人員的評(píng)估，嫦娥任務(wù)中的站點(diǎn)視覺定位精度優(yōu)于4%[20,54]，相比航跡推算方法，可有效提升月球車的定位精度。然而，月球表面環(huán)境十分復(fù)雜，受光照影響部分相鄰站點(diǎn)圖像難以自動(dòng)獲取足夠數(shù)量的同名點(diǎn)匹配結(jié)果，需通過少量人機(jī)交互操作完成定位。

在MER火星車任務(wù)中，文獻(xiàn)[12]將探測(cè)車在停泊點(diǎn)獲取的導(dǎo)航相機(jī)、全景相機(jī)影像通過特征點(diǎn)構(gòu)建全局的影像區(qū)域網(wǎng)，采用光束法平差方法解求影像的最佳位置與姿態(tài)，實(shí)現(xiàn)探測(cè)車的高精度定位；考慮到探測(cè)車影像隨時(shí)間而增多，開發(fā)了遞增式光束法平差方法用于定位解算，使得對(duì)新加入影像的平差處理能夠基于之前的平差結(jié)果，而不需要重新進(jìn)行全局解算，大大減少了平差計(jì)算的復(fù)雜度與計(jì)算量[15]。

2.3 在線視覺測(cè)程定位

探測(cè)車在地形復(fù)雜區(qū)域的行駛時(shí)，通過獲取探測(cè)車序列立體影像(相鄰立體像對(duì)間距0.5 m或更短)，經(jīng)過車載計(jì)算機(jī)的在線視覺測(cè)程定位計(jì)算，可為探測(cè)車實(shí)時(shí)提供高精度的連續(xù)定位結(jié)果。美國(guó)MER、好奇號(hào)等任務(wù)中采用此方法用于探測(cè)車在部分有挑戰(zhàn)性的路段(如上下坡時(shí))的安全連續(xù)行駛。在MER任務(wù)中，約每3 min輸出一幀立體影像定位結(jié)果用于探測(cè)車在線定位，速度和效率有待提高[59-61]。我國(guó)的天問一號(hào)火星車也采用了視覺測(cè)程定位技術(shù)，提高自主導(dǎo)航定位精度。

視覺測(cè)程定位方法首先對(duì)前后幀立體影像采用F?rstner或Harris特征算子提取像對(duì)上的特征點(diǎn)，獲取影像上的立體匹配點(diǎn)；然后，通過圖像匹配方法尋找前后幀立體影像間的同名點(diǎn)；最后，根據(jù)同名點(diǎn)分布位置計(jì)算當(dāng)前幀影像相對(duì)前一幀影像的相對(duì)位姿參數(shù)，輸出當(dāng)前幀立體影像的位姿結(jié)果。視覺測(cè)程定位原理上類似站點(diǎn)視覺定位，然而同相鄰站點(diǎn)影像相比，序列立體影像間紋理特征變化不明顯，一般采用模板匹配等常規(guī)方法實(shí)現(xiàn)相鄰幀圖像特征追蹤，通過優(yōu)化的快速定位解算方法實(shí)現(xiàn)探測(cè)車的在線連續(xù)定位。

與站點(diǎn)視覺定位方法類似，視覺測(cè)程方法也是一種連續(xù)推估的定位方法，同樣存在定位誤差的累積。考慮到序列立體影像間距通常不大，同名地物可能在連續(xù)數(shù)幀影像上均有成像，文獻(xiàn)[62]提出了一種基于序列立體影像光束法平差的視覺定位方法，通過同名特征在多幀影像上的追蹤，選取其中的幾何關(guān)鍵幀，構(gòu)建局部的影像區(qū)域網(wǎng)，采用光束法平差優(yōu)化計(jì)算得到當(dāng)前幀影像位姿參數(shù)，提升了傳統(tǒng)視覺測(cè)程定位方法的精度。近年來，以O(shè)RB-SLAM[63]、LSD-SLAM[64]為代表的視覺SLAM方法，優(yōu)化了特征提取與匹配方法，提升了定位效率與精度，有望為探測(cè)車的在線視覺定位提供借鑒與參考。

2.4 視覺與多傳感器組合導(dǎo)航定位

盡管視覺定位方法精度較高，但易受環(huán)境紋理、光照條件影響，在星球表面貧紋理區(qū)域定位精度降低甚至可能無法定位。因此，原理上可以將探測(cè)車慣導(dǎo)與里程計(jì)的數(shù)據(jù)同視覺數(shù)據(jù)進(jìn)行融合，通過多傳感器的融合提升探測(cè)車定位的穩(wěn)健性與精度，解決貧紋理?xiàng)l件下單獨(dú)使用視覺數(shù)據(jù)無法定位的問題。文獻(xiàn)[65]提出了一種基于立體相機(jī)、慣導(dǎo)和里程計(jì)的松耦合組合導(dǎo)航方法，通過擴(kuò)展卡爾曼濾波融合輸出比視覺定位精度更高的結(jié)果。文獻(xiàn)[66]提出了一種基于聯(lián)邦濾波的組合導(dǎo)航方法，確保了立體影像定位處理失敗時(shí)仍能穩(wěn)健輸出連續(xù)的高精度定位結(jié)果。為進(jìn)一步提高組合導(dǎo)航的精度，文獻(xiàn)[67]提出了基于濾波的緊耦合算法，采用類似滑動(dòng)窗口的方式對(duì)窗口內(nèi)所有狀態(tài)建立約束，同時(shí)對(duì)窗口外變量狀態(tài)進(jìn)行邊緣化，有效減少狀態(tài)參數(shù)，提高了系統(tǒng)穩(wěn)健性與收斂性。文獻(xiàn)[68]提出了基于慣導(dǎo)與視覺的緊耦合定位算法，通過建立統(tǒng)一的視覺與慣性測(cè)量代價(jià)函數(shù)實(shí)現(xiàn)整體優(yōu)化。文獻(xiàn)[69]提出了基于緊耦合的滑動(dòng)窗口非線性優(yōu)化單目視覺慣性里程計(jì)定位方法，通過慣導(dǎo)預(yù)積分處理及4自由度參數(shù)的圖優(yōu)化輸出實(shí)現(xiàn)了單目相機(jī)與慣導(dǎo)的集成定位。

相比單個(gè)傳感器，視覺相機(jī)與慣導(dǎo)及里程計(jì)等多傳感器進(jìn)行松耦合或緊耦合融合均能有效提升定位的穩(wěn)健性與精度[70]。視覺與多傳感器組合導(dǎo)航定位的尚未在工程中應(yīng)用，經(jīng)過更多的研發(fā)和測(cè)試，組合導(dǎo)航定位有良好的應(yīng)用潛力。

2.5 探測(cè)車影像同軌道器影像集成的定位

長(zhǎng)距離行駛的探測(cè)車自主定位結(jié)果的誤差累積，可通過探測(cè)車地面影像同軌道器影像底圖的集成而消除。MER中，文獻(xiàn)[12]在地面影像鑲嵌生成的全景影像上人工尋找遠(yuǎn)處地標(biāo)點(diǎn)，如山峰等，通過建立全景影像上地標(biāo)點(diǎn)同軌道器影像上對(duì)應(yīng)地標(biāo)的相互幾何位置關(guān)系，實(shí)現(xiàn)探測(cè)車的定位。文獻(xiàn)[71]分別開發(fā)了針對(duì)石塊密集區(qū)和裸露基巖區(qū)的軌道器影像同地面影像集成的自動(dòng)定位方法。在石塊密集區(qū)域，利用立體相機(jī)獲取的三維點(diǎn)云數(shù)據(jù)高程信息在地面影像上獲得石塊分布形狀，同時(shí)在高分辨率軌道器影像底圖中利用影像梯度信息提取石塊分布信息；通過計(jì)算兩種分布狀態(tài)的相似變換模型參數(shù)，得到探測(cè)車在軌道器影像底圖上位置。在裸露基巖較多的區(qū)域，通過探測(cè)車影像生成同軌道器影像分辨率相似的DOM，改變地面影像成像視角，進(jìn)而通過特征匹配確定地面DOM同軌道器影像的關(guān)系，實(shí)現(xiàn)探測(cè)車站點(diǎn)的絕對(duì)定位，達(dá)到了優(yōu)于軌道器圖像一個(gè)像素的精度。該方法應(yīng)用于我國(guó)嫦娥系列任務(wù)中，通過月球車地面圖像制作的DOM同降落相機(jī)影像或軌道器影像的DOM間的匹配，完成月球車在著陸區(qū)的全局定位[20,54]。

3 深空探測(cè)車路徑規(guī)劃技術(shù)進(jìn)展

深空探測(cè)車路徑規(guī)劃指綜合考慮各種環(huán)境因素及車本身能力的情況下，規(guī)劃從起點(diǎn)到目標(biāo)點(diǎn)行駛路徑的過程。探測(cè)路徑規(guī)劃是其安全行駛、高效探測(cè)的重要保障，是探測(cè)車導(dǎo)航的重要步驟。

根據(jù)規(guī)劃路徑的范圍，深空探測(cè)車路徑規(guī)劃可分為兩類:一類是基于先驗(yàn)地圖等信息的全局路徑規(guī)劃，該規(guī)劃一般針對(duì)較遠(yuǎn)目標(biāo)，主要考慮科學(xué)目標(biāo)的可達(dá)性及整體路徑的最優(yōu)化[72-73]。另一類是基于探測(cè)車周圍環(huán)境感知的局部路徑規(guī)劃，以探索局部科學(xué)目標(biāo)及規(guī)避障礙，主要考慮車的安全性及行駛代價(jià)最小[74]。

不同類型的路徑規(guī)劃方法都涉及兩個(gè)關(guān)鍵的技術(shù)：行駛代價(jià)的計(jì)算及最優(yōu)路徑規(guī)劃算法。探測(cè)車的行駛代價(jià)一般考慮地形可達(dá)、光照情況、通信可達(dá)及車的能源平衡等多種因素[75]，在行駛代價(jià)構(gòu)建及定量化的基礎(chǔ)上形成代價(jià)圖，然后利用路徑規(guī)劃技術(shù)計(jì)算最優(yōu)路徑。如我國(guó)月球車導(dǎo)航單元規(guī)劃中考慮地形行走代價(jià)、移動(dòng)里程代價(jià)、操作控制代價(jià)等因素，構(gòu)建環(huán)境立方模型，然后利用A*算法規(guī)劃路徑[76]。

行駛代價(jià)一般考慮環(huán)境因素及車自身的因素。獲取這些環(huán)境信息一般利用已有環(huán)境信息和車上的傳感器(如立體導(dǎo)航相機(jī))[77]，毅力號(hào)上為了更大范圍的環(huán)境感知還配備無人機(jī)進(jìn)行協(xié)同探測(cè)[78]。車自身因素包含車的越障能力、操作性能、能源的平衡等[79]。各領(lǐng)域都提出了大量的路徑規(guī)劃算法[80-81]。在深空探測(cè)車任務(wù)中考慮對(duì)行駛代價(jià)處理方式不同，應(yīng)用得較多得是針對(duì)靜態(tài)場(chǎng)景的A*算法或Dijkstra算法，算法內(nèi)存占用小，計(jì)算速度快[82-83]。而針對(duì)動(dòng)態(tài)場(chǎng)景，采用較多的D*算法[84]，該算法具備更高效的重規(guī)劃性能。諸如神經(jīng)網(wǎng)絡(luò)算法[85]等算法也在探測(cè)車路徑規(guī)劃中得到應(yīng)用。此外，也有學(xué)者研究多種算法之間的結(jié)合實(shí)現(xiàn)探測(cè)車的路徑規(guī)劃[43]。

目前路徑規(guī)劃的方式主要分為人機(jī)交互的路徑規(guī)劃與自主路徑規(guī)劃。人機(jī)交互的路徑規(guī)劃目前應(yīng)用較多，如我國(guó)的玉兔號(hào)、玉兔二號(hào)月球車[75]、美國(guó)的勇氣號(hào)、機(jī)遇號(hào)等火星車都采取這種方式[73,86-88]。探測(cè)車進(jìn)入導(dǎo)航點(diǎn)后，利用傳感器進(jìn)行環(huán)境感知，遙操作人員根據(jù)環(huán)境感知結(jié)果，結(jié)合科學(xué)目標(biāo)及路徑規(guī)劃算法定制行駛路徑，指揮探測(cè)車移動(dòng)。該方法能有效保障探測(cè)車行駛安全及可靠性，但受限于數(shù)據(jù)傳輸帶寬及遙操作時(shí)延，效率較低。深空探測(cè)車自主路徑規(guī)劃指車在行駛的過程中自主避障、路徑選擇及目標(biāo)接近。該方法對(duì)車的環(huán)境感知能力及計(jì)算性能都提出了很高的要求，有望提高行駛效率，但其在深空環(huán)境中的可靠性還有待進(jìn)一步驗(yàn)證。

4 深空探測(cè)車智能化行駛與探測(cè)展望

為了提高探測(cè)能力并獲得更多的科學(xué)發(fā)現(xiàn)，未來的深空探測(cè)車需要著陸在更具有挑戰(zhàn)性的區(qū)域，行駛更長(zhǎng)的距離，針對(duì)更多的科學(xué)目標(biāo)獲取原位探測(cè)數(shù)據(jù)，提高其環(huán)境感知的智能化水平、提高探測(cè)車長(zhǎng)距離自主導(dǎo)航定位的能力，是支撐巡視探測(cè)任務(wù)朝著智能化、高效率、大范圍探測(cè)發(fā)展的必由之路。

(1) 深空探測(cè)車智能感知。目前探測(cè)車每個(gè)規(guī)劃單元的行駛距離短、探測(cè)效率低的主要原因是探測(cè)車環(huán)境感知的智能化程度不夠。未來探測(cè)車環(huán)境感知將主要朝著智能化方向發(fā)展，將在多方面提高智能化水平，大幅提升探測(cè)車的行駛和探測(cè)效率。環(huán)境感知不僅感知地形的幾何信息，而且要感知其語義信息，即通過自動(dòng)地形分類得到所行駛前方的地形類別，還要自動(dòng)識(shí)別撞擊坑、石塊等表面目標(biāo)，實(shí)現(xiàn)實(shí)時(shí)的全面的環(huán)境感知。探測(cè)車智能感知的實(shí)現(xiàn)，需要充分吸收以深度學(xué)習(xí)為代表的人工智能技術(shù)，充分挖掘視覺傳感器的潛力，適時(shí)配置和利用激光雷達(dá)等多種傳感器，以及提高車載計(jì)算機(jī)的算力。

目前，月球車和火星車巡視探測(cè)任務(wù)中的科學(xué)探測(cè)目標(biāo)，如石塊、巖層、土壤、撞擊坑等均是科學(xué)家們研究指定的，探測(cè)車沒有自主發(fā)現(xiàn)科學(xué)目標(biāo)的要求及能力。未來的探測(cè)任務(wù)中，隨著探測(cè)車行駛和探測(cè)能力的提高，對(duì)科學(xué)目標(biāo)的確定應(yīng)采取科學(xué)家指定和探測(cè)車自主發(fā)現(xiàn)相結(jié)合的方式。在行駛過程中，探測(cè)車在保證安全及能按時(shí)到達(dá)指定目標(biāo)的前提下，自主發(fā)現(xiàn)一些科學(xué)目標(biāo)獲取科學(xué)數(shù)據(jù)。擁有了自主發(fā)現(xiàn)科學(xué)目標(biāo)的能力，深空探測(cè)車的探測(cè)方式將得到質(zhì)的飛躍。

(2) 長(zhǎng)距離自主導(dǎo)航定位。受限于感知和定位能力以及安全性的考慮，以前月球車和火星車每個(gè)單元規(guī)劃的行駛距離平均為數(shù)米至數(shù)十米，使得探測(cè)車機(jī)械行駛能力遠(yuǎn)沒有發(fā)揮出來。長(zhǎng)距離自主導(dǎo)航定位，如每個(gè)單元規(guī)劃數(shù)百米乃至更長(zhǎng)距離下的自主導(dǎo)航定位，是深空探測(cè)車發(fā)展的重大需求和必然選擇。這就需要把目前工程中常用的站點(diǎn)間的視覺定位，改進(jìn)成連續(xù)的實(shí)時(shí)視覺定位，或者稱為實(shí)時(shí)視覺SLAM[70]，并且與上文中論述的實(shí)時(shí)障礙識(shí)別、地形分類、目標(biāo)識(shí)別相結(jié)合，實(shí)時(shí)地自主規(guī)劃到達(dá)遠(yuǎn)處目標(biāo)點(diǎn)的路徑。長(zhǎng)距離自主導(dǎo)航對(duì)定位精度的要求也會(huì)相應(yīng)提高，否則定位誤差的累計(jì)會(huì)給探測(cè)車行駛帶來安全隱患。為了提高定位精度，更有效地集成雙目視覺、慣導(dǎo)和里程計(jì)很有必要。

探測(cè)車的周期規(guī)劃和單元規(guī)劃主要依賴于其視覺傳感器數(shù)據(jù)，而科學(xué)家對(duì)著陸區(qū)的宏觀研究科學(xué)探測(cè)規(guī)劃(即整體規(guī)劃)主要依賴于軌道器影像底圖。因此，需要把探測(cè)車定位到軌道器影像底圖，這一巡視器與軌道器的一體化定位還能夠消除僅依賴于探測(cè)車視覺定位在長(zhǎng)距離上的累計(jì)誤差。探測(cè)車在軌道器影像底圖的定位已有研究并在遙操作過程中使用，如何將其前置到計(jì)算和存儲(chǔ)受限的探測(cè)車上實(shí)現(xiàn)自主定位是值得進(jìn)一步研究的問題。

實(shí)現(xiàn)了長(zhǎng)距離自主導(dǎo)航定位和軌道器與巡視器的一體化定位的自動(dòng)化，將大大提高深空探測(cè)車行駛與探測(cè)的效率，同時(shí)減輕地面遙操作工程人員的工作強(qiáng)度和密度。長(zhǎng)距離自主導(dǎo)航定位技術(shù)與智能感知的結(jié)合，將真正實(shí)現(xiàn)深空探測(cè)車的智能化、高效率、大范圍探測(cè)，給巡視探測(cè)任務(wù)帶來更多的科學(xué)回報(bào)。

5 結(jié) 語

作為深空探測(cè)車行駛和探測(cè)的核心技術(shù)，環(huán)境感知與導(dǎo)航定位技術(shù)已經(jīng)在月球和火星巡視探測(cè)任務(wù)發(fā)揮了關(guān)鍵作用。之前的環(huán)境感知與導(dǎo)航定位重點(diǎn)解決了安全性和精度的問題，目前研究和應(yīng)用正朝著智能化、長(zhǎng)距離自主導(dǎo)航定位等方向發(fā)展，其中仍有很多難題尚待解決，需要深空探測(cè)技術(shù)人員和相關(guān)科研工作者努力攻關(guān)解決，其中測(cè)繪遙感、計(jì)算機(jī)視覺、人工智能等學(xué)科專業(yè)的技術(shù)發(fā)展將起到有力的推動(dòng)作用。