A Stochastic Approach to Terrain Maps for Safe Lunar Landing
作者: Anja Sheppard, Chris Reale, Katherine A. Skinner
分类: cs.RO
发布日期: 2025-12-12
备注: Accepted to IEEE Aerospace 2026
💡 一句话要点
提出基于双阶段高斯过程的月球地形随机地图生成方法，提升月球安全着陆能力。
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 月球着陆 高斯过程 随机地图 地形建模 不确定性估计 DEM置信度 异方差噪声
📋 核心要点
- 传统月球着陆的危险检测方法在阴影区域失效，依赖激光雷达风险高，需要利用LRO数据构建先验地图。
- 提出一种基于高斯过程的随机高程地图生成方法，该方法考虑了DEM置信度数据，能够更准确地建模地形不确定性。
- 通过两阶段GP模型和随机变分GP，实现了更准确的地形不确定性估计，可用于危险检测和安全着陆点选择。
📝 摘要（中文）
在月球南极等阴影密集区域安全着陆极具挑战，传统视觉方法难以可靠地进行危险检测。月球南极蕴藏潜在资源，成为航天机构和商业公司的首选着陆点。然而，依赖激光雷达进行危险检测风险较高，因为该技术在月球环境中未经充分测试。月球勘测轨道飞行器(LRO)积累了丰富的月球表面数据，可用于创建信息丰富的先验地图。本文提出一种利用高斯过程(GP)从LRO数据生成随机高程地图的方法，GP是一种强大的贝叶斯非参数建模框架，可生成不确定性估计。在自主航天等高风险环境中，地形不确定性的可解释估计至关重要。然而，以往的随机高程地图方法均未考虑LRO数字高程模型(DEM)置信度地图，而该数据包含关于DEM质量的关键信息。为解决这一问题，我们引入了一种两阶段GP模型，其中辅助GP从DEM置信度数据中学习空间变化的噪声特征。然后，该异方差信息用于告知主GP的噪声参数，主GP对月球地形进行建模。此外，我们使用随机变分GP来实现可扩展的训练。通过利用GP，我们能够更准确地模拟异方差传感器噪声对生成的高程地图的影响。因此，我们的方法产生更具信息性的地形不确定性，可用于危险检测和安全着陆点选择等下游任务。
🔬 方法详解
问题定义：论文旨在解决月球南极等复杂环境下安全着陆的问题。现有方法，如依赖激光雷达或传统视觉方法，存在可靠性问题。以往的随机高程地图方法忽略了LRO数字高程模型(DEM)置信度地图中包含的关键质量信息，导致地形不确定性估计不准确。
核心思路：论文的核心思路是利用高斯过程(GP)对月球地形进行建模，并引入一个两阶段GP模型来考虑DEM置信度数据。通过学习空间变化的噪声特征，更准确地估计地形不确定性。这样可以为下游任务提供更可靠的先验信息，从而提高着陆安全性。
技术框架：该方法包含两个主要阶段：第一阶段，使用辅助GP从DEM置信度数据中学习空间变化的噪声特征。第二阶段，使用主GP对月球地形进行建模，并将第一阶段学习到的噪声特征作为主GP的噪声参数。为了实现可扩展的训练，使用了随机变分GP。整体流程是从LRO数据中提取DEM和置信度数据，然后训练两阶段GP模型，最后生成包含不确定性估计的随机高程地图。
关键创新：最重要的技术创新点在于引入了双阶段GP模型，将DEM置信度数据纳入地形建模过程。与现有方法相比，该方法能够更准确地模拟异方差传感器噪声对高程地图的影响，从而产生更具信息性的地形不确定性估计。这是现有随机高程地图方法所忽略的。
关键设计：该方法的关键设计包括：1) 使用高斯过程进行地形建模，利用其贝叶斯特性提供不确定性估计；2) 设计两阶段GP模型，其中辅助GP专门用于学习噪声特征；3) 使用随机变分GP实现可扩展训练，使其能够处理大规模LRO数据；4) 将DEM置信度数据作为辅助GP的输入，从而将传感器噪声信息融入地形建模过程。
🖼️ 关键图片
📊 实验亮点
该论文的主要亮点在于提出了一种新的月球地形建模方法，该方法考虑了DEM置信度数据，能够更准确地估计地形不确定性。通过实验验证，该方法能够生成更具信息性的地形不确定性地图，从而为危险检测和安全着陆点选择提供更可靠的依据。具体的性能数据和对比基线需要在论文的实验部分查找。
🎯 应用场景
该研究成果可应用于月球及其他星球的自主着陆任务，尤其是在地形复杂、光照条件恶劣的区域。通过提供更准确的地形不确定性估计，可以提高着陆安全性，降低任务风险。此外，该方法还可用于资源勘探、路径规划等其他月球表面活动。
📄 摘要（原文）
Safely landing on the lunar surface is a challenging task, especially in the heavily-shadowed South Pole region where traditional vision-based hazard detection methods are not reliable. The potential existence of valuable resources at the lunar South Pole has made landing in that region a high priority for many space agencies and commercial companies. However, relying on a LiDAR for hazard detection during descent is risky, as this technology is fairly untested in the lunar environment. There exists a rich log of lunar surface data from the Lunar Reconnaissance Orbiter (LRO), which could be used to create informative prior maps of the surface before descent. In this work, we propose a method for generating stochastic elevation maps from LRO data using Gaussian processes (GPs), which are a powerful Bayesian framework for non-parametric modeling that produce accompanying uncertainty estimates. In high-risk environments such as autonomous spaceflight, interpretable estimates of terrain uncertainty are critical. However, no previous approaches to stochastic elevation mapping have taken LRO Digital Elevation Model (DEM) confidence maps into account, despite this data containing key information about the quality of the DEM in different areas. To address this gap, we introduce a two-stage GP model in which a secondary GP learns spatially varying noise characteristics from DEM confidence data. This heteroscedastic information is then used to inform the noise parameters for the primary GP, which models the lunar terrain. Additionally, we use stochastic variational GPs to enable scalable training. By leveraging GPs, we are able to more accurately model the impact of heteroscedastic sensor noise on the resulting elevation map. As a result, our method produces more informative terrain uncertainty, which can be used for downstream tasks such as hazard detection and safe landing site selection.