Safe and Fuel-Efficient Motion Planning for Lunar Propulsive Drones
作者: Elena Wittemyer, Graco Gao
分类: cs.RO
发布日期: 2026-10-15
备注: This work has been submitted to the 2027 IEEE Aerospace Conference
💡 一句话要点
提出一种安全且高效的运动规划框架以解决月球推进无人机的路径规划问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 月球探测 无人机技术 运动规划 模型预测控制 语义分割 自主导航 高效路径规划
📋 核心要点
- 现有的月球无人机路径规划方法在安全性和燃料效率方面存在不足，难以应对复杂的地形和障碍物。
- 本文提出了一种基于视觉引导的最优控制策略，结合语义分割和模型预测控制，确保无人机在跳跃过程中安全高效。
- 实验结果表明，该框架在高保真仿真环境中实现了低误差的轨迹跟踪，并显著提高了跳跃的安全性和燃料效率。
📝 摘要（中文）
推进无人机是一项有前景的新技术，能够生成高分辨率的月球地形模型。在未来的月球任务中，这些无人机将通过向下拍摄的相机在月球表面完成一系列跳跃。本文提出了一种自主运动规划框架，采用视觉引导的最优控制策略，在指定的航点之间安全高效地进行跳跃。如果某个航点不安全或无法到达，无人机将执行偏离机动以安全着陆。我们开发了一种自定义的语义分割模型来识别空中图像中的障碍物，并提出了一种快速计算可达地形的方法。通过模型预测控制（MPC），我们能够稳健地跟踪跳跃轨迹，引导无人机朝向安全的着陆点。我们在高保真月球仿真环境中测试了最优跳跃规划器，结果表明我们的统一运动规划框架能够产生安全、节省燃料的跳跃轨迹，且通过MPC快速且低误差地跟踪。
🔬 方法详解
问题定义：本文旨在解决月球推进无人机在复杂地形中进行安全且高效的路径规划问题。现有方法在处理障碍物和确保安全着陆方面存在不足。
核心思路：论文提出了一种结合视觉引导和最优控制的运动规划框架，通过实时评估航点的安全性，确保无人机能够在复杂环境中安全跳跃。
技术框架：整体架构包括全局规划器生成航点、语义分割模型识别障碍物、快速可达地形计算和模型预测控制（MPC）跟踪跳跃轨迹。
关键创新：最重要的技术创新在于将视觉引导与模型预测控制相结合，形成了一种统一的运动规划框架，显著提高了无人机的安全性和燃料效率。
关键设计：在技术细节上，采用了自定义的语义分割网络来识别障碍物，并设计了快速计算可达地形的算法，MPC用于稳健地跟踪跳跃轨迹，确保低误差和快速响应。
🖼️ 关键图片
📊 实验亮点
实验结果显示，所提出的运动规划框架在高保真仿真环境中实现了低误差的轨迹跟踪，跳跃的安全性和燃料效率相比于传统方法有显著提升，具体性能数据未提供。
🎯 应用场景
该研究的潜在应用领域包括未来的月球探测任务和其他行星探测任务，能够为无人机在复杂环境中的自主导航提供有效的解决方案，具有重要的实际价值和未来影响。
📄 摘要（原文）
Propulsive drones are a promising new technology for generating high-resolution terrain models of the Moon. In future lunar missions, propulsive drones will complete a series of hops across the lunar surface while capturing images with downward-facing cameras. We present an autonomous motion planning framework that uses a vision-guided optimal control strategy for performing safe, efficient hops between specified waypoints. The drone plans parabolic hops between waypoints generated by a global-level planner; if a nominal waypoint is unsafe or unreachable, the drone then completes a diversion maneuver to safely land. To evaluate the validity of potential landing sites, we develop a custom semantic segmentation model for identifying obstacles from aerial images, and we introduce an approach for rapidly calculating reachable terrain. We then use model predictive control (MPC) to robustly track hop trajectories that guide the drone towards safe landing sites. We test the optimal hop planner in a high-fidelity lunar simulation environment. Our results demonstrate that our unified motion planning framework yields safe, fuel-efficient hop trajectories which can be tracked rapidly and with low error via MPC.