行星车视觉导航与自主控制进展与展望

郭延宁，冯 振，马广富，郭宇晴，张米令

(哈尔滨工业大学控制科学与工程系，哈尔滨 150001)

0 引 言

人类已经发射了240多颗星际探测器，到访了太阳系内的八大行星、小行星、彗星，目前旅行者一号探测器已飞离太阳系。针对最具挑战的近距离探测外太空天体的着陆探测，也突破了月球、火星、金星、小行星、彗星等。作为最直接高效的探测方式，通过发射行星车实现地外天体的着陆巡视探测，探索气候及地质特征，搜索生命信号，对人类研究行星生命演化、开发和利用空间资源具有重要的科学意义。近年来，美国、俄罗斯、欧空局、日本以及印度相继制定了宏大的深空探测长远规划与实施计划。在这些规划中，重返月球、Mars2020、ExoMars等探测任务都计划携带最先进的巡视器，通过矿物分析来获得更多的地外早期生命迹象，也为后续的载人探测、人类基地建设等奠定基础。我国已通过嫦娥三号携带玉兔号月球车实现了月面自主巡视、深空测控通信等一系列关键技术突破，近期将发射嫦娥四号首次实现月球背面巡视探测、嫦娥五号采样返回等任务。国务院制定的《“十三五”国家科技创新规划》明确指出“到2020年发射首颗火星探测器，突破火星环绕、进入、着陆与巡视等核心关键技术，通过一次发射实现火星环绕和着陆巡视探测”[1-2]。

行星车实际上是具有高度集成化、小型化、智能化的部分自主或全自主的行星表面移动机器人，在相关的文献中也称月球车、火星车、星球车、漫游车等。在行星着陆器完成自主进入、下降及着陆(Entry, descent and landing, EDL)任务后，行星车需要根据地面设定的探测任务开始有人或无人介入的科学探测。作为其最重要分系统之一，行星车导航与控制系统是提升其科学回报的重要保障条件，包括了行星车附近地形感知、自主定位、路径规划与避障等。同地面移动机器人不同，行星车导航与控制的特点可总结为：1) 探测距离远：行星车同地面站通讯时滞大，除月球外，地球同距离最近的行星火星的平均通讯时延为25分钟，且因行星自转、遮挡等导致通讯窗口受限，地面站人为决策难以实现实时探测；2) 非结构环境：行星表面布满未知、非确定、非连续的陨石坑、沟壑、沙地，要求行星车自主感知多尺度环境，同时发掘探索有价值科学目标；3) 导航资源少：地面常用的GPS、磁强计、无线电基站导航等都无法使用，仅能利用天文导航和视觉导航等；4) 相机种类多：已有的行星车往往配置多个冗余视觉相机实现导航、避障、全景拍摄、科学分析等，有效融合相关数据，避免单一视觉误差及误匹配等，具有重要研究意义；5) 科学任务多：早期巡视任务往往选择平坦地形以确保安全性，未来将携带多种科学载荷，面向地形复杂但科考价值丰富的目标开展接触式勘测。

综上所述，结合我国深空探测巡视重大科技任务需求及《新一代人工智能发展规划》中将自主无人系统的定位、导航、识别等作为关键共性技术的号召，本文在总结归纳已有行星车任务及导航系统特点的基础上，针对基于多视觉信息的行星车环境自主感知、导航、规划与控制任务中的系列关键问题的研究进展进行了梳理，指出了当前研究存在的问题，并对未来发展趋势进行了展望。

1 行星车任务发展现状

表1针对所有成功实现月球和火星等地外天体的巡视器及导航系统进行了梳理[3-4]。

表1 已成功开展巡视探测的行星车及导航系统[3-4]Table 1 Planetary rover and navigation systems that have been successfully launched[3-4]

1970年前苏联成功发射了世界上第一辆地外天体巡视器月球车1号，而美国则分别在1971～1972年的3次阿波罗登月任务中成功发射载人驾驶月球车。玉兔号月球车2013年成功着陆使得中国成为目前仅有的三个成功开展月球巡视的国家。由于距离地球相对较近，早期月球车一般通过地面站遥测遥控或有人驾驶的方式行进，相机和激光测距设备多为科学探测，不参与导航。而玉兔号月球车首次实现了我国在地外天体表面的无人自动巡视和科学探测，获取了高分辨率的月球局部区域三维光学图像。

目前成功登陆并开展巡视任务的火星车仅有4辆，均来自美国。旅居者号(也称索杰纳号)通过获取5个激光条纹的主动投影首次实现了自主立体三角测量，但每幅图像只能提取20个3D点，而在机遇号和勇气号中分别可以获取48000和15000个3D点。好奇号新装载一个彩色全景摄像机，能够更好地用于地形感知与导航。美国国家航空航天局(NASA)在Mars2020计划中设计的新一代的火星车继承了好奇号85%的硬件系统，并计划加装X射线光谱仪、紫外线激光器和测地雷达。欧洲航天局(ESA)也计划在2020年发射ExoMars火星车，配置多种视觉相机用于导航及科学探测，并计划同时发射NASA设计的MAX-C火星车，有望实现人类首次在地外天体2台行星车协同工作[3]。关于我国2020年的首次火星探测工程，朱岩等[2]对火星车的有效载荷进行了系统介绍，包括导航地形相机、多光谱相机、表层探测雷达以及载荷控制器等，可有效完成火星表面立体成像、多光谱成像、目标成分探测等任务，多角度揭示火星环境特征。

即使携带了大量的视觉感知设备，美国系列火星车依旧分别考虑了盲行模式(根据地面指令行走)和自主模式(完全自主行走)，机遇号和勇气号采用避障相机自主避障的比例分别低于21%和28%[5]。虽然好奇号并未公开相关数据，但可以确信的是该比例必然得到了较大提升，并且未来行星车有望实现极少人为干预的全自主运行。值得说明的是，Mars2020计划火星车视觉系统包括23个相机，如图1所示，包括了全景相机、导航相机、避障相机、地形感知相机、天空相机等一系列科学、工程用途相机，预期可实现1 km每天的行驶速度，理论上说40天即可突破机遇号14年的地外天体行驶最高记录。可以预见，利用多个视觉相机协作实现智能化行星车的环境感知、自主导航等，辅助实现路径规划与控制，提升系统可靠性，具有显著的研究前景。

图1 美国Mars 2020计划火星车视觉系统[6]Fig.1 Mars rover vision system in Mars 2020 program [6]

2 行星车多源自主环境感知技术

面临地外天体非确定、非连续、非结构化的未知的表面环境，如何从行星车配置的各种传感器中提取有效信息，从而获取附近高精度的地形、地质数据，并对远距离地形进行合理的评估，识别潜在危险，发现具有科考价值目标，对于行星车自主导航、可通过性评估、任务规划等具有重要作用。

根据行星车附近多尺度环境信息感知方式和应用场景不同，已有的行星车自主环境感知技术途径可分为：1) 对于近距离环境，基于立体视觉的地形评估具有显著优势。如美国喷气推进实验室(JPL)为机遇号和勇气号开发了基于立体图像生成的数字高程图(DEM)来评估危险地形，获得行星车附近区域的点云数据的高度、密度、斜坡等分布特征，进而识别障碍分布情况[5]。Ishigami等[7]提出了一种类似的路径规划几何地形分析，通过地形粗糙度，节点之间的长度和地形倾斜度等三个指标来分析地形。针对ExoMars火星车探测任务，ESA学者也提出采用立体图像测量小山丘尺度，并与机遇号行星车数据进行比较，进而感知松散沙子形成的流动性极强的风沙床地形[8]。2) 对于远距离环境，由于难以获得精确三维信息，一般基于二维图像评估地形。由于缺乏精确尺度信息，常采用基于地形特征分类学习的方法。JPL的Howard等[9]通过地形专家分类训练设计了一种人工神经网络(ANN)分类器，可以将行星车拍摄的图像纹理映射到一系列预设的表面类型中实现地形分类。Fujita等[10]还通过行星车获取的序列视觉图像，基于动态纹理分析实现了土壤类型分类，同时实现了行星车相对地形的运动估计。3) 考虑视觉对光线敏感、焦距固定等原因，部分学者也引入激光测距或雷达提升环境感知维度。Stavens等[11]研究提出了一种基于激光测距数据训练地形粗糙度预测的自监督学习方法。Xiao等[12]采用扩展条件随机场模型(CRF)将从相机和激光雷达得到的信息进行融合，从而将二者的优缺点进行了互补。值得一提的是，由于金星被浓密云层笼罩，在ESA提出的EnVision金星轨道探测器将通过多极化合成孔径雷达探测行进地表数据[13]。4) 行星车或机器人运行过程中还可以通过安装在本体的运行状态感知传感器获取当前地形信息，技术途径包括基于行星车车轮电机电流与转速信息[14]、基于加速度计[15]、基于智能感知轮胎[16]、基于声波特征[17]、基于车轮与土壤交互[18]等。

但是，仅通过图像或激光等任何一种单一的传感器来进行地形分类都具有一些固有缺点，考虑到单一传感器的测量误差、环境的不确定性以及环境的非结构化特征，目前已有较多研究考虑采用数据融合的方法实现多传感器协同感知。如Howard等[9]提出对每个传感器(包括激光雷达、立体相机等)数据独立分析，以获取危险地图，进而利用模糊推理整合粗糙度、坡度、不连续性、硬度等特性设计了一种可通过性指数。Iagnemma等[19]提出将IMU和车轮转速等数据相融合，利用支持向量机(SVM)对历史数据进行评估分类，而后续也有学者基于无监督学习方式预测车辆的滑移状态进而辅助路径规划[20]。为了融合诸如颜色、纹理、振动、形状、尺度等各种单一特征数据，Halatci[21]则利用SVM实现了包括振动数据在内的多传感器数据分类，通过机器学习实现局部地形识别。Otsu等[22]研究了行星表面的多源协作和自我训练的地形分类策略。Gonzalez等[23]分别采用了监督学习和无监督学习算法实现了基于IMU、倾角罗盘、驱动电机、超声波探测器传感器数据融合，从而实现了行星车行进过程滑移检测。

行星车最重要的任务是在安全运行的前提下开展更多的科学探测，充分发挥其携带的各种科学探测载荷的作用。通讯时延大、通讯窗口及速率受限等多种约束极大地限制了行星车返回到地球科学家的科学数据量。随着人工智能技术的发展，在不增加硬件设备的前提下，有效地提升行星车的自主智能科学探测能力，必将成为未来发展的重要方向。因此在行星车行进过程中需自主对其视野内的地形地质信息进行初步分析，如通过视觉特征分析发现硫酸盐、氯化物蒸发盐和各种矿物质或者撞击坑、火山口、河床地形等，然后结合X射线光谱仪和化学相机等专用科学载荷开展进一步研究。悉尼大学Arora等[24]通过实用贝叶斯网络对科学知识进行编码，并使用蒙特卡洛树搜索技术来推理网络，可完成针对沙漠、河床等地理特征的自主识别。Ellery等[25]则提出将太空机器人的智能生物学特征作为提高火星车任务科学生产力的前景，构建了具有深度学习能力的贝叶斯专家系统，对岩石进行视觉纹理分析、地质分类并判断生命特征。邸凯昌等[26]长期从事地外天体遥感制图和探测器导航定位相关工作，并对火星表面含水矿物质探测进行了系统的总结，期望为中国2020年发射的火星着陆器通过就位探测近距离发现火星存在水和生命的证据。

综上所述，行星车多源自主环境感知技术在以下几个方面还存在提升空间：

1) 工程应用存在差距：纵然各种多传感器数据融合算法已经提出并得到地面试验验证，而出于计算量和可靠性角度考虑，距离未来工程应用还存在距离，因此提升算法的鲁棒性、降低算法计算量是目前面临的问题。

2) 自学习能力和泛化能力需要提升：虽然SVM等机器学习技术功能已经非常强大，但是需要大量的样本训练，对于行星车面临的大量未知环境依旧难以实现在线精确分类。能够高效结合视觉等传感器观测数据、行星车自身运动状态测量数据，提升环境感知算法的在线自学习能力和泛化能力。

3) 具备自主科学目标发掘能力：目前，通过好奇号获取的各种图像等信息，由JPL地面科学家发掘科学探测目标，用于支持好奇号路径规划[27]。而未来具备科学目标自主发现能力，将是研究的重要方向。

3 行星车自主视觉全局与局部导航技术

已有行星车导航包括综合了基于轨道器的无线电导航、基于航拍地图和行星车视觉的影像匹配导航、基于IMU及车轮编码器的航迹递推、基于太阳敏感器的方向确定、基于视觉相机的测距等方法获得全局和局部位姿信息，并通过组合滤波等提升了系统的精度及可靠性。如玉兔号月球车在月面未知环境中即利用了惯导和视觉组合的方式实现局部导航，定位精度达到总里程1%[28]。此外，也利用甚长基线干涉技术(VLBI)实现了月球车的全局定位，精度可达100 m[29]，但由于地球测量基线限制，难以满足火星或者其它行星巡视器的全局定位精度需求。考虑近年来机器视觉系统的低成本、高集成度等发展趋势，未来基于视觉信息的行星车自主导航比重必将显著提升，因此本节对相关技术进行了系统归纳和总结。

行星车在行星固连坐标系的全局导航是其进行已知陨石坑或山峰等特定区域科学探测的必要条件，由于在行星轨道器绕飞过程已经采集了大量的行星地表的图像信息，比如目前高分辨率科学成像HiRISE火星表面分辨率已达0.25 m[30]，火星数字高程图(DEM)的海拔不确定性在±3 m[31]，对于实现火星车的视觉全局导航提供了便利条件。1) 在基于航拍图像的全局导航方面，由于航拍图像同行星车图像视角夹角很大，观测特征迥异，且易造成相似地貌误匹配，因此勇气号和机遇号全局导航主要依赖地面。邸凯昌等[32]提出了一种基于地面图像和航拍图像集成的火星车定位方法，通过匹配石块特征实现火星车的自主全局导航，接着又提出基于随机采样一致性(RANSAC)的算法实现外点剔除和火星车与卫星图像匹配[33]。2) 在基于DEM的全局导航方面，JPL的Matthies等[34]于1997年即提出综合利用轨道器、着陆器、巡游器拍摄图像综合生成DEM，同时实现地图构建和区域导航的概念。Hwangbo等[35]提出了分层跟踪行星车位置的思路，即首先利用行星全局DEM数据同行星车局部DEM数据匹配，一旦感兴趣区域被定位，然后执行岩石提取和模式匹配。Van Pham等[36]设计了一种能够在全局非结构化DEM上搜索行星车位置的改进粒子滤波器。Chiodini等[37]提出了基于火星车视野内的地平线信息与DEM匹配全局导航方法。但以上算法均因观测信息有限等难以避免相似地形误匹配等问题。

由于计算机视觉和地面移动机器人技术的迅速发展，基于单双目相机、深度相机等的同时定位和地图构建(SLAM)技术等室内外导航方法都得到发展和应用，通过视觉里程计、回环检测、图优化等，实现对大规模非结构化的位置环境的高精度地图构建。用于地面机器人的视觉SLAM方法包括单目视觉SLAM系统MonoSLAM、多线程SLAM算法PTAM[38]、基于特征的ORB-SLAM[39]等、基于深度信息的RGBD SLAM以及LSD-SLAM、Fast-SLAM、Grid-Fast SLAM等[40]。2017年发布的开源的ORB-SLAM2也整合了单目、双目和深度相机，在绝大多数情况下可以达到极高的精度[41]。作为SLAM最核心的关键技术之一，闭环检测可以有效消除由单一视觉里程计带来的误差累计问题，通过重访同一区域对整个地图进行优化。在行星探测任务中，为结合火星车全景相机和导航相机实现长距离高精度定位，美国俄亥俄州立大学开发了基于光束法平差的定位方法[42]。余萌[43]利用EKF-SLAM研究了行星车的自主导航方法问题，通过主动重观测实现回归路径。但同地面机器人不同，行星车旨在探测未知科学目标，难以仅为提升导航性能而刻意重访某一区域，因此极大地限制了已有的SLAM技术的在行星车中的直接应用。

如前文所述，未来行星车将配置多冗余视觉相机，并且相机间相对位置和姿态都可以视为固定已知，可有效降低导航和地图构建的复杂度，利用多个相机协作对行星车进行导航定位和地图构建，通过对如前向和后向视觉相机重访匹配，降低因单一相机视野内特征稀疏引起的导航误差。已有的多视觉信息融合的研究可分为两类：一方面，基于多机器人平台携带的视觉相机开展协作SLAM，通过共享探测信息，迅速提升对未知环境认知，主要目的在于扩大机器人对大型场景的探测范围和速度，主要涉及的问题包括三维地图重建、异构地标、动态环境[44]等。另一方面，通过安装在同一移动平台的多个视野无重叠的视觉相机，各个相机独立进行运动估计，然后基于非线性最小二乘算法等来实现对多个视觉里程计信息的融合[45]。而行星车运行过程不同方向相机可能存在特征稀疏沙地、自身阴影、车辙等系列不同，简单地融合几种导航信息虽然能够使得误差平均，但并不能充分发挥多视觉系统信息丰富的优势。

基于单目视觉导航定位具有硬件低成本、软件计算量小等特点，但其获取的二维图像缺乏深度信息，因此一般需要依赖测距传感器获得绝对尺度信息。为增强单目视觉导航的应用范围，不依赖额外传感器情况下，常见的尺度恢复的技术一般为基于已知精确尺度的特定空间目标(如无人机停机坪、交通标识符)[46]、基于粗略已知目标辨识及估计(如人脸、楼层高度、桌椅等)[47]、基于相机安全高度及位置[48]等。Liu等[49]利用深度卷积神经网络从单目视觉图像中学习深度信息，并进行特性分析。但是大多数采用深度卷积神经网络的方法需要大量人工标记的数据进行训练，因此Garg等[50]提出了用无监督框架的深层卷积神经网络的方法，可以对单目获取的信息进行深度预测。代尔夫特理工Hecke等[51]提出利用空间探测机器人单目相机自主学习距离特征完成在轨服务任务，该概念为开展低成本行星车探测任务以及部分相机失效下应急模式等开拓了思路。

综上所述，行星车自主视觉导航技术还有以下问题值得深入研究：

(1) 全局导航性能有待提升：已有研究一般考虑地形特征显著的石块进行区域匹配，难以应用于特征稀疏区域，需探索更加通用的全局导航策略。

(2) 多视觉传感器甚至多行星车视觉协同导航有待发展：已有研究一般注重视觉和非视觉融合，而同一行星车的不同视觉传感器之间或多个行星车间则缺乏有效结合，而行星车的车辙数据等对于提升导航精度、增强对未知环境的认知具有重要作用。

(3) 较少考虑紧凑型配置或应急模式：未来的行星探测任务可能会利用单目视觉系统开展低成本探测，而冗余视觉系统也可能出现部分传感器失效情况。

4 行星车自主路径规划与控制技术

行星表面可能存在山脊、沟壑、斜坡、悬崖、陨石坑等复杂非连续地貌，具有迥异特性的观测数据，也可能存在大面积沙漠等连续但特征稀疏地貌，难以提取特征，易引起滑移甚至翻滚。如勇气号、机遇号的车轮都曾沉陷在沙土中导致任务停止甚至失败。出于可靠性角度考虑，已有的行星车的路径规划任务基本都由地面完成，典型代表如JPL为机遇号、勇气号、好奇号等系列火星车开发的车辆任务序列与可视化系统(RSVP)，通过快速精确复现行星车周围三维信息，为用户提供友好人机接口辅助任务序列制定[52-53]。好奇号在行驶过程中结合火星轨道侦察器数据和行驶过程中沿途拍摄的高光谱图像，确定赤铁矿、水合硫酸盐矿床等具有科学探测目标的位置，进而进行路径规划，确保时间和资源的高效利用[27]。然而，能够自主地从行星车配置的各种传感器中提取有效信息，对附近地形进行评估，识别障碍及潜在危险，进而完成具备避障的自主路径规划和跟踪控制策略，是其自主智能控制的必要内容。

可通过性分析主要体现了移动机器人通过某一区域的难易程度。主要分为结构化环境下的可通过性分析和非结构化环境下的可通过性分析。由于结构化环境地形平坦且变化不大，所以障碍物是影响通行性的主要因素，因此在结构化环境中可通过性评估主要集中在障碍物的检测，常用的方法可分为以下几种：1) 主动检测法[54]：通过激光雷达等探测器主动对周围环境进行探测，获取反馈信息，判断障碍物的位置从而得到前方可通过性。2) 被动检测法[55]：通过摄像头获取周围环境的视觉信息，通过图像处理相关技术获得障碍物的信息。针对单目视觉可以通过边缘分割或光流跟踪法来实现障碍物的检测；针对立体视觉可采用三角测量和立体成像原理获取周围环境的高度、位置信息，通过计算障碍物的高度和距离获取前方区域的可通过性。在非结构化环境中，车辆能否安全高效通过前方区域不仅与障碍物、地形特性和土壤特性有关，还与车辆自身外形及移动特性有关。已有的方法包括在栅格地图构建时综合考虑车辆的当前状态、放置安全性、通过安全性、地形特性、粗超特性等分析前方区域的可通过性[56-57]。JPL为勇气号和机遇号开发了基于网格的当地地形表面可通过性分析系统(GESTALT)，该系统基于立体图像生成的DEM来评估危险地形，通过将行星车大小的区域设置为一个网格区域，利用DEM点的最小二乘拟合平面来获得斜率，并将粗糙度定义为最佳平面拟合的残差。而在高度的变化超过某个阈值时，则将对应物体视为障碍物，并在网格地图中标记为不可通过[5]。针对可能发生的车轮受尖锐物品穿刺损伤等情况，JPL也为好奇号设计了新的可通过性评估机制，通过估计网格地图中物体的曲率搜索尖锐物体，引导其较多行驶在平坦沙地上，规避可能存在风险的坚硬地形，但同时也增加了沉陷或滑移的概率。因此，学者们建议一方面通过技术和流程改进来提升行星车对危险地形感知能力，一方面通过对地面操作员的培训增强对行星表面环境理解[58-59]。

路径规划是指在给定的环境中寻找从起点到一个或多个目标点的最优路径，是行星车能够安全高效的开展巡视科学探测的重要保证。行星车的路径规划分为两类：一类是基于先验地图信息的全局路径规划，另一类是基于传感器获取附近地形等信息的局部路径规划，以探索局部科学目标及规避障碍。类似地面移动机器人，考虑对地形环境处理方式不同，已有的路径规划算法可分为以下几种：1) 最短路径算法[60-62]：由于在已建立的栅格地图中快速获取最短路径，在行星车任务中得到较多研究，针对静态场景可采用A*算法或Dijkstra算法，具有内存小，计算速度快的优点；由于具备更高效的重规划性能，针对动态场景的D*算法也得到较多关注。2) 人工势场法[63-64]：机器人避障控制中最广泛应用的方法之一，但需要全局地形已知且容易陷入局部极小值，不太适用于多崎岖地形的行星表面环境。3) 随机搜索法[65-66]：通过对状态空间的随机采样，把搜索导向空白区域，避免了对空间的建模，适用于包括障碍物和微分约束的场景：诸如遗传算法、蚁群算法、粒子群算法、神经网络算法等系列算法也都在行星车或移动机器人路径规划中得到应用[67-68]。此外，也有学者研究多种算法之间的结合，如JPL学者2015年提出将A*算法和随机搜索算法结合实现行星车的智能障碍规避的局部路径规划[69]。

行星车的自主移动控制系统是确保其安全、准确跟踪规划路径的重要保障。所谓跟踪控制，是指在得到规划路径之后，根据当前行星车的状态与周围环境之间的相对运动关系，设计满足一定性能指标或多种约束条件的控制策略，使行星车沿规划路径安全行驶。对行星车等轮式机器人的移动控制主要分为：1) 轨迹跟踪控制：传统的轨迹跟踪主要采用的是基于运动模型的方法进行控制，通过对车辆的建模，参考轮地相互作用力学和地形几何信息，使用PID或者非线性模型预测控制(Nonlinear model predictive control, NMPC)完成轨迹跟踪控制[70]；然而实际行星表面环境比较复杂，存在未知非线性、非连续约束，导致数学建模与物理实际存在差异，因此，已有学者提出可以采用自适应神经网络或模拟控制等方式实现在无模型或者非完整模型下的轨迹跟踪控制[71-72]。部分学者也通过研究改善行星车的悬挂系统提升其通过斜坡或非结构化路面的能力，如印度SRM大学学者针对Rudra火星车设计了主动自适应悬挂系统[73]。2) 滑移补偿控制：针对行星车行驶在大坡度或者小接触系数下车轮容易发生空转或者滑动的情况，可以通过调节行星车每个车轮的不同转速，克服车轮滑动，实现牵引力的最大化[74-75]；或者提前预测车轮滑移和侧偏角，综合车辆自身特性提前作出补偿[76]。

综上所述，行星车自主路径规划与控制技术还有以下问题值得深入研究：

1) 可通过性评估指标多为二值化：已有研究多基于几何地形特征构建二值化地图，而实际地形往往难以用简单的二值指标衡量，有必要综合科学探测目标、环境地形等多种因素优化可通过指标。

2) 路径规划目标函数、约束条件等单一：已有研究多将最短路径作为目标函数，缺乏对行星车自身移动特性、多科学目标优化等考虑。

3) 路径跟踪控制难以精确补偿扰动：已有路径跟踪控制策略多注重滑移率估计及补偿，而实际行星车移动系统环境具有强不确定性、同系统特性强耦合等特点，难以精确估计并补偿某一参数影响。

5 未来行星车自主视觉导航控制展望及架构设想

5.1 未来行星车自主视觉导航控制技术展望

综上分析可知，作为行星车最重要的分系统之一，行星车的导航与控制系统未来将具备全自主、高可靠、高精度、高集成、智能化、多协同、环境鲁棒性等系列特征，结合未来行星探测任务需求及行星车发展历史，总结展望未来发展趋势如下。

1)科学目标自主辨识

由于通讯窗口及数据传输速率约束，行星车不能也不必要将所有过程探测数据返回地面分析，但因此容易错失行驶过程部分有价值探测目标。因此，未来的行星车应具备对行星表面岩石材质、河床和陨石坑地形、生物特征等目标进行自主判定，通过对视觉和地形感知数据的整合分类，结合地面人员提前设定的科学价值目标特征及就位探测后的土壤分析，设计具备深度学习能力的科学目标自主辨识策略，实现向科学探测为主的战略转变。

2)多视觉源协作自主导航

出于任务可靠性考虑，已有的实际行星车探测的导航系统多为地面介入，而在全局导航理论研究方面，单一视觉导航仍存在相似地形的误匹配、特征稀疏区域导航误差大等问题；在相对导航过程中，已有研究多通过设计滤波器实现视觉相机同IMU、车轮编码器等不同类型数据的相互融合，而忽视了多视觉信息之间的信息校验、平差计算等。因此，如何综合利用行星车自身冗余视觉敏感器信息，如后视摄像头获取的车辙信息，克服由于光照条件、阴影遮挡、迥异路况等引起的导航误差，结合已知行星表面地形地图特征，实现高精度的基于多视觉信息协同感知的行星车导航系统成为行星车自主化发展的重要方向。

3)多目标自主路径规划

已有的自主路径规划研究中，简单地依赖局部障碍集合特征得到是否可通过结论过于保守，并未有效结合行星车运动特性及其与路面的接触特征；并且路径规划也不能简单基于栅格地图的最短距离，而应综合火星车越障能力、能耗特性等，在确保安全的提前下，主动探索具有一定纹理及粗糙度的地形，提升行进过程的视觉导航性能以及科学目标主动搜索能力。因此，开展基于几何特征与接触特征的行星车可通过性联合评估，提出考虑行星车运动特性的多约束多目标混合路径规划及跟踪算法，是未来行星车控制由自动化向智能化探测转变的重要途径。

4)复杂路况在线学习路径跟踪

行星表面环境及土壤接触特性复杂未知，行星车移动系统可能出现部分车轮空转、车轮接触特性不同、多子系统强耦合等系列特点，仅依靠地面预置的任务场景设计和训练的控制系统难以充分发挥效能，如已有研究中设计的滑移率估计及补偿方案等难以进行有效的在线评估。因此，开展基于在线学习的复杂地形行星车路径跟踪控制，实现对未建模、非线性环境特性的估计与补偿，是未来提升行星车运行安全性的重要保障。

5)多行星车协作探测

随着多智能系统的快速发展，目前地面多机器人协同导航与控制得到广泛研究，在大型非结构化场景中应用具有显著优势。未来将有望发射多台行星车协作开展科学探测，如ESA计划于2020年发射的ExoMars任务就曾提及将携带NASA的MAX-C火星车，实现2台行星车协同工作。在导航与控制系统层面，多台行星车系统协作实现导航与地图构建，通过主从编队、分布探测等多种方式，共享探测信息，迅速提升对未知非结构化行星表面环境认知，扩大行星车的探测范围、探测速度以及探测能力，并联合实现复杂结构目标协同探测等。

6)低成本小型化导航系统

随着机器视觉技术的迅速发展，视觉相机开始逐步小型化、高度集成化，高性能MEMS IMU单元也已经商业化。同时，基于单目视觉进行视觉导航和智能尺度估计的研究成果也逐步涌现，有望实现基于车辙、车影、相机高度等信息的目标场景尺度还原。因此，在未来行星表面探测过程中，为配合多行星车协作探测，研究设计紧凑型低成本的行星车，仅利用单目视觉、小型移动平台、MEMS芯片，实现对未知环境的地形感知、地图构建和导航定位等，也是非常有价值的研究方向。

5.2 未来行星车自主导航与智能控制架构设想

考虑未来行星车发展的多视觉信息融合的全自主、智能化控制为基础的科学探测的发展趋势，结合航天器控制、深空探测导航、制导与控制等领域的研究经验，构建了未来行星车巡视任务的自主环境感知、导航、规划与控制系统(见图2)。系统主要包含以下三个模块：

1)自主环境感知模块

针对行星表面复杂未知环境，利用立体相机获取近距离3D点云数据中的距离和高度信息、全景相机获取远距离2D图像数据中的纹理及颜色信息以及车影车辙信息、IMU获取行星车姿态和振动数据、以及车轮编码器和电机电流传感器获得的当前车轮信息等，通过离线训练实现对已知或预设样本的科学目标特征提取和复杂地形感知。在线实施过程中，分别实现对于远处及附近的视觉特征感知和已行驶区域接触特性感知，并基于在线学习对未知地形进行辨识和样本库补充，用于构建可通过性评估指标及行星车移动系统的未建模特性在线辨识；在此基础上实现基于生命特征、地形、纹理等的科学目标主动辨识，用于行星车自主路径规划。

2)多源协作导航模块

为实现全自主、高精度导航，未来行星车必须充分利用各种不同类型的传感器。在局部导航方面，首先需要实现单目或双目的自主导航，综合前向、后向等不同方向的全景相机、避障相机、导航相机的数据，实现多视觉源协同自主导航与地图构建，并结合IMU、车轮编码器数据获得可靠、精确的局部导航信息，同时也可以基于视觉与车轮信息辨识行星车的滑移、车轮沉陷情况。全局导航可分为离线和在线两个阶段，在离线阶段，需要在利用轨道器获取的行星表面影像地图和DEM进行数据分类处理，对着陆区附近的陨石坑、沟壑、石块等地形地貌分类及特征提取，构建视觉及地形路标库。在线实施阶段，有效结合地平线匹配导航、区域石块特征匹配导航、局部协同导航结果，实现行星车全局协同导航，用于可通过性评估及自主路径规划。

3)智能规划与控制模块

未来的行星车将实现科学探测为主的战略转变，而高价值科学探测目标附近往往伴随着非连续、非机构化的地形地表特征，而单一基于障碍高度或坡度等地形信息构建的0-1型可通过性栅格地图过于保守，未来必须综合地形障碍评估、接触特性评估，构建新型的可通过性地图。面临地面人员给定的陨石坑、河床、山脉基于航拍影响提取的全局目标或行星车视野内自主或人为确定的局部目标，结合行星车局部及全局导航信息，实现多目标自主路径规划。随后，针对规划得到的参考路径，结合多源环境感知获取的行星表面接触特征，由路径跟踪控制模块实现强非线性、强耦合性环境下的干扰辨识及智能跟踪控制，并进一步实现多个车轮的控制指令动态分配。最后，行星车控制还必须考虑部分车轮沉陷、车辆滑移、车轮空转等情况下的撤离、改变构型等应急策略，提升任务的可靠性和智能性。

图2 行星车自主环境感知、导航、规划与控制系统架构设想Fig.2 Autonomous environmental perception, navigation, planning and control system architecture of planetary rover

6 结束语

我国在嫦娥三号探测器携带的玉兔号月球车已经顺利完成了对月面自主巡视、月表形貌与地质研究、月表高分辨率图像获取等任务，并即将在嫦娥五号探测器实现月球表面样品采样返回任务，火星2020计划也将实现我国首次火星着陆及巡视探测，面临更加严峻的深空通信、自主导航、自主任务规划与控制任务需求及挑战。因此，针对行星巡视探测任务面临的诸多挑战，开展行星车多源自主环境感知、多源协作导航、智能规划与控制技术等领域的创新研究，提升行星车的自主化、智能化程度，可为我国未来行星巡视探测任务提供有价值的参考方案和开阔的学术思路。