Legged Autonomous Surface Science In Analogue Environments (LASSIE): Making Every Robotic Step Count in Planetary Exploration
作者: Cristina G. Wilson, Marion Nachon, Shipeng Liu, John G. Ruck, J. Diego Caporale, Benjamin E. McKeeby, Yifeng Zhang, Jordan M. Bretzfelder, John Bush, Alivia M. Eng, Ethan Fulcher, Emmy B. Hughes, Ian C. Rankin, Jelis J. Sostre Cortés, Sophie Silver, Michael R. Zanetti, Ryan C. Ewing, Kenton R. Fisher, Douglas J. Jerolmack, Daniel E. Koditschek, Frances Rivera-Hernández, Thomas F. Shipley, Feifei Qian
分类: cs.RO
发布日期: 2026-03-20
💡 一句话要点
提出基于腿式机器人和类人数据采集算法的行星表面自主科考方案
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 腿式机器人 行星探测 自主导航 类人算法 数据采集
📋 核心要点
- 现有轮式漫游车在复杂地形的通过性受限，且预设数据采集方案缺乏灵活性，限制了行星表面高效探索。
- 利用腿式机器人直接与地表交互，获取地形力学信息，并结合类人算法，使机器人能自主推理和调整探索策略。
- 通过实验验证，腿式机器人能有效测量土壤力学性质，结合地质数据，揭示地质环境形成的关键因素，并辅助人类科学家。
📝 摘要（中文）
本文提出了两种新颖的方法，旨在提高行星表面探索的效率和效果，解决现有轮式漫游车在复杂地形中的移动能力限制以及预编程数据采集计划缺乏原位灵活性的问题。(i) 高机动性腿式机器人，利用与表面的直接交互来收集关于地形力学性质的丰富信息，从而指导探索；(ii) 受人类启发的数据采集算法，使机器人能够推理科学假设，并根据传入的地面传感测量结果调整探索优先级。通过实验室工作和在两个行星模拟环境中的实地部署，成功验证了该方法。结果表明，腿式机器人测量土壤力学性质的新能力能够有效地穿越具有挑战性的地形。结合其他地质特性（例如，成分、热特性和粒度数据等），土壤力学测量揭示了控制地质环境形成和发展的关键因素。此外，还展示了受人类启发算法如何将地形感知机器人转变为团队成员，通过支持更灵活和自适应的数据收集决策来辅助人类科学家。因此，该方法能够探索更广泛的行星环境，并通过支持最大科学回报的集成人机系统，提供新的基质调查机会。
🔬 方法详解
问题定义：现有行星探测任务依赖轮式漫游车，其在复杂地形下的通过性受限。此外，传统的数据采集方案通常是预先编程的，缺乏在任务执行过程中根据实际情况进行调整的灵活性，导致科学回报可能不是最优的。因此，需要一种能够在复杂地形中高效移动，并能根据环境信息自主调整数据采集策略的行星探测方案。
核心思路：本文的核心思路是结合高机动性的腿式机器人和受人类科学家启发的数据采集算法。腿式机器人能够通过与地面的直接交互感知地形的力学特性，为机器人提供关于地形可通行性的信息。类人数据采集算法则允许机器人根据收集到的数据和预设的科学假设，自主地调整探索策略，从而实现更高效和灵活的行星探测。
技术框架：该方案的技术框架包含两个主要组成部分：1) 腿式机器人平台，配备传感器用于测量土壤的力学性质；2) 数据采集算法，该算法基于贝叶斯优化等方法，能够根据机器人收集到的数据和科学家的先验知识，动态地调整数据采集的优先级。整个流程是，腿式机器人在行星表面移动，利用传感器测量土壤力学性质，并将数据传递给数据采集算法。数据采集算法根据接收到的数据和科学家的输入，更新对行星表面特征的理解，并指导机器人下一步的探索行为。
关键创新：该论文的关键创新在于将腿式机器人的高机动性和类人数据采集算法的灵活性相结合，从而实现了一种更高效和智能的行星探测方案。与传统的轮式漫游车相比，腿式机器人能够更好地适应复杂地形。与预编程的数据采集方案相比，类人数据采集算法能够根据实际情况动态调整探索策略，从而提高科学回报。
关键设计：腿式机器人需要精确控制腿部的运动，并配备合适的传感器来测量土壤的力学性质，例如力传感器和位移传感器。数据采集算法需要合理设计目标函数，以最大化科学回报，并采用合适的优化算法来寻找最优的数据采集策略。贝叶斯优化是一种常用的选择，因为它能够有效地处理不确定性和噪声，并利用先验知识来加速优化过程。此外，还需要考虑如何将人类科学家的知识有效地融入到数据采集算法中，例如通过设置合适的先验分布或约束条件。
🖼️ 关键图片
📊 实验亮点
论文通过在行星模拟环境中的实验验证了该方案的有效性。实验结果表明，腿式机器人能够有效地穿越具有挑战性的地形，并测量土壤的力学性质。结合其他地质数据，土壤力学测量能够揭示地质环境形成和发展的关键因素。此外，实验还证明了类人数据采集算法能够提高数据采集的效率和质量，并支持人类科学家做出更灵活和自适应的数据收集决策。
🎯 应用场景
该研究成果可应用于未来的行星探测任务，例如火星探测、月球探测等。腿式机器人能够探索轮式漫游车难以到达的区域，例如陡峭的山坡、崎岖的岩石地带等。类人数据采集算法能够提高数据采集的效率和质量，从而获得更丰富的科学发现。此外，该技术还可以应用于地球上的极端环境探索，例如极地地区、沙漠地区等。
📄 摘要（原文）
The ability to efficiently and effectively explore planetary surfaces is currently limited by the capability of wheeled rovers to traverse challenging terrains, and by pre-programmed data acquisition plans with limited in-situ flexibility. In this paper, we present two novel approaches to address these limitations: (i) high-mobility legged robots that use direct surface interactions to collect rich information about the terrain's mechanics to guide exploration; (ii) human-inspired data acquisition algorithms that enable robots to reason about scientific hypotheses and adapt exploration priorities based on incoming ground-sensing measurements. We successfully verify our approach through lab work and field deployments in two planetary analog environments. The new capability for legged robots to measure soil mechanical properties is shown to enable effective traversal of challenging terrains. When coupled with other geologic properties (e.g., composition, thermal properties, and grain size data etc), soil mechanical measurements reveal key factors governing the formation and development of geologic environments. We then demonstrate how human-inspired algorithms turn terrain-sensing robots into teammates, by supporting more flexible and adaptive data collection decisions with human scientists. Our approach therefore enables exploration of a wider range of planetary environments and new substrate investigation opportunities through integrated human-robot systems that support maximum scientific return.