[发明专利]一种基于强化学习的行星表面地貌主动感知方法

说明书

本发明公开了一种基于强化学习的行星表面地貌主动感知方法，步骤如下：首先以现代集合理论为基础，利用图像的局部特征描述算子与图像全局显著性方法来实时描述行星地貌，生成主动感知的知识库；在此基础上，结合增强学习框架设计基于有限特征描述算子集的奖励函数，构造目标地貌主动感知的学习框架。考虑星载计算机计算能力受限，在此框架内将学习步长定义为有限步长，最后结合行星地貌描述算子知识库完成训练学习，形成整体的地貌主动感知方法。本发明能够实现行星地貌的自主感知，巡视器能够自主识别兴趣地貌，并能够主动有效提高星表任务的科学勘探效率。

技术领域

本发明属于任务规划与模式识别技术领域，具体指代一种基于强化学习的行星表面地貌主动感知方法。

背景技术

处于可靠性的因素考虑，火星巡视器的星载计算机运算及存储能力有限(好奇号的CPU主频仅为200MHz)，导致在火星工作日(sol)中，巡视器仅能存储并上传所观测的一小部分科学素材至地面工作站。随着航天技术的快速发展，在远地天体表面执行漫游巡视任务的巡视器尺寸也逐代增长，美国的第四代火星巡视器“好奇号”(Curiosity)长约3米，高达900kg，是前代火星巡视器的2～5倍。体积的增长使好奇号可以搭载更多的科学勘探载荷，它在实际任务中共搭载了17种敏感器，出于可靠性与安全性考虑，巡视器在遇到复杂路况时，需要将现场收集素材回传至地面进行地貌识别与环境理解，并等待地面返回的后续指示来执行后续勘探任务。由于天体与地面之间通讯延迟较长，造成巡视器任务的灵活性与获取科学目标的能力受到很大程度的制约。近年来，航天工作人员一直在探讨探测效率高的自主勘探方案。美国国家航空航天局(NASA)的科学家就提出在巡视器上装备一些主动感知设备，如通过灵巧触碰手触碰壁面来获取岩石硬度，并自主地进行操作分析来提高勘探效率；除此之外，一些科学家也提出利用人工智能方法进行地貌自主分析，如自主提取科学兴趣区域、检测障碍等。

相比依赖人工遥控的地貌分析手段，地貌自主感知方法具有很多优势，首先其赋予了星表探索任务更高的自主性。使火星巡视器能够在有限的工作时间内探索更多的科学目标，而不必等待地面工作人员的命令指示，大幅提升了巡视器探索任务的效率，能够获得价值更高的科学回报。通过在线的地貌自主感知，巡视器能够筛选科学价值更高的科学素材(如岩石、云层、沙尘暴等动态环境)供地面工作人员研究。但出于可靠性的因素考虑，行星巡视器的星载计算机运算及存储能力有限，此外行星表面地貌颜色通常较为单一，纹理也较为贫瘠，因此一些在地面应用中已取得显著成果的识别方法可能并不适用行星地貌勘探的特殊环境。目前也尚没有针对行星地貌自主感知的系统方案。

发明内容

针对于上述现有技术的不足，本发明的目的在于提供一种基于强化学习的行星表面地貌主动感知方法，以解决现有技术中尚无针对行星地貌主动感知的系统方案的问题。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种基于强化学习的行星表面地貌主动感知方法，包括步骤如下：

步骤1)：从一系列行星地貌图像集中提取图像SURF局部特征描述子，按照地貌类别逐一编目地貌所对应的特征描述子集合，即将归属同一类地貌的SURF特征描述子以集合的形式编目；

步骤2)：对SURF特征描述子集合的特征重复度进行检查，剔除相似度高的特征对及特征尺度过小的特征，将剩余的SURF特征描述子保留，并组建特征知识库；

步骤3)：将地貌感知以观测特征占比特征知识库比例的形式描述，并给出联合分布后验概率，根据该后验概率在增强学习框架中建立相应的奖励函数；

步骤4)：设定行星地貌主动感知的触发条件，在巡视器漫游巡视过程中，实时分析星载相机的图像局部显著性；当局部图像显著性满足触发条件时，执行SURF局部特征描述子提取，将所提取的SURF局部特征描述子作为观测量传递至强化学习训练体系，在该强化学习体系中控制量为相机云台调整角度θ_c以及相机的焦距f_c；