Terrain-Aware Autonomous Planetary Exploration for Exteroceptive-Proprioceptive Mapping with Quadruped Scouts
作者: Alberto Sanchez-Delgado, João Carlos Virgolino Soares, Victor Barasuol, Claudio Semini
分类: cs.RO
发布日期: 2026-09-28
备注: Accepted to the International Conference on Space Robotics (iSpaRo 2026)
💡 一句话要点
提出一种地形感知的自主行星探索框架以解决未知地形导航问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 自主导航 地形感知 四足机器人 行星探索 地图构建 风险评估 可通行性
📋 核心要点
- 现有的自主探索方法在应对复杂和不规则地形时，往往难以有效评估风险和可通行性，导致导航效率低下。
- 本文提出了一种结合外部感知和本体感知的地形感知探索框架，能够在类月环境中实现高效的自主导航和地图构建。
- 仿真结果表明，使用该框架的导航系统在运输成本（CoT）方面显著优于传统方法，展示了更高的探索效率。
📝 摘要（中文）
自主行星探索要求机器人在未知且不平坦的地形中导航，同时评估风险、可通行性和能量成本。四足侦察机器人非常适合这一任务，因为它们能够在不规则表面上移动并在运动过程中收集与机动性相关的信息。本文提出了一种地形感知的探索框架，结合了外部感知和本体感知映射，适用于类月环境中的四足机器人。通过机载RGB-D相机构建机器人中心的高程图，估计几何可通行性，并推导出自主规划的导航成本。同时，本体测量提供了交互感知的地形线索，补充了基于几何的评估。局部地图逐步注册到全球多层表示中，供探索模块选择未探索区域的目标。通过自主导航系统，利用可用地图和成本层引导碰撞感知运动，达到目标。NVIDIA Isaac Sim上的仿真结果显示出自主探索、地图扩展以及地形几何与机器人-地形交互之间的空间关联。后续导航使用这些信息展现出比初始探索更低的运输成本（CoT）。
🔬 方法详解
问题定义：本文旨在解决自主行星探索中机器人在未知、不平坦地形中导航的挑战，现有方法在风险评估和可通行性判断方面存在不足。
核心思路：提出一种地形感知的探索框架，结合外部感知（如RGB-D相机）和本体感知（如传感器反馈），以实现更准确的地形评估和导航规划。
技术框架：整体架构包括三个主要模块：1) 机载RGB-D相机用于构建高程图和评估几何可通行性；2) 本体测量提供交互感知的地形线索；3) 探索模块选择未探索区域的目标并通过自主导航系统实现目标到达。
关键创新：最重要的创新在于将外部感知和本体感知相结合，形成多层次的地形表示，显著提高了导航的安全性和效率。
关键设计：关键设计包括高程图的构建算法、几何可通行性评估方法，以及基于成本层的导航策略，确保机器人在复杂地形中的有效运动。
🖼️ 关键图片
📊 实验亮点
实验结果显示，使用本文提出的框架进行导航时，运输成本（CoT）显著低于初始探索阶段，具体数据未提供，但表明了方法的有效性和优势。
🎯 应用场景
该研究的潜在应用领域包括月球及其他行星的探测任务，能够为未来的行星探索任务提供高效的导航和地图构建解决方案，具有重要的科学价值和实际意义。
📄 摘要（原文）
Autonomous planetary exploration requires robots to navigate unknown, uneven terrain while assessing risk, traversability, and energetic cost. Quadruped scouts are well suited for this task because they can traverse irregular surfaces and gather mobility-relevant information during locomotion. This paper presents a terrain-aware exploration framework that combines exteroceptive and proprioceptive mapping for a quadruped robot in lunar-like environments. An onboard RGB-D camera builds robot-centered elevation maps, estimates geometric traversability, and derives navigation costs for autonomous planning. In parallel, proprioceptive measurements provide interaction-aware terrain cues that complement geometry-based assessment. Local maps are incrementally registered into a global multi-layer representation, which is used by an exploration module to select targets in unexplored regions of interest. The targets are reached by an autonomous navigation system that guides collision-aware motion using the available map and cost layers. Simulation results on NVIDIA Isaac Sim show autonomous exploration, map expansion, and spatial association between terrain geometry and robot-terrain interaction. Subsequent navigation using this information exhibits lower average Cost of Transport (CoT) than initial exploration.