The potential of applying the geometry-based rover slip prediction model learned on earth to the moon.pdf Введение Повышение уровня автономности космических аппаратов имеет большое значение для исследования Солнечной системы [1]. Для планетарного вездехода (планетохода) скольжение является одним из наиболее существенных ограничений мобильности. Скольжение - это мера отсутствия или превышения хода колесного робота во время движения, которое можно наблюдать на естественных ландшафтах (таких как песок, гравий, почва и т.д.), особенно на крутых склонах или рыхлых почвах с камнями [2]. Это, как правило, влияет на точное позиционирование планетохода и эффективное планирование его пути. Серьезное скольжение может привести к тому, что планетоход попадет в ловушку или ударится о камни, получив повреждения. Использование визуальной одометрии (VO) для улучшения оценки состояния помогает контролировать рулевое управление, чтобы компенсировать проскальзывание, но было бы полезно заранее предсказать, когда склон может быть скользким, чтобы принимать более разумные и адекватные решения по планированию пути. В исследовании планет широко используются колесные роботы. Опыты с Opportunity продемонстрировали суммарное скольжение ~ 18.71 м на расстоянии 91.42 м (20.5%) в кратере Орла [3]. Опыты со Spirit показали накопленное скольжение 56.61 м на расстоянии 543.77 м (10.4%) в районе холма Husband [4]. Проблемы со скольжением также повлияли на китайскую миссию Чанъэ-3 (CE-3), в которую входили посадочный модуль и планетоход (Yutu). К 17 января 2014 г. планетоход Yutu преодолел 114.8 м и выполнил серию научных исследований на поверхности Луны [5]. Сравнивая результаты цифровой карты ортоизображения (DOM), соответствующие командам локализации, расчета и планирования пути, можно обнаружить, что планетоход Yutu испытывал серьезные проскальзывания на некоторых участках пути. Поскольку планетоходы не достигают запланированного местоположения из-за скольжения, продуманное позиционирование и планирование траектории важны для точного перемещения в заданное положение в планетарной миссии. Позиционирование и ориентация планетохода хорошо определяется по отслеживанию поворота колес и по одометрии колес на ровной местности, где нет скольжения, в то время как при проскальзывании этот способ терпит неудачу [6]. Для планирования пути этот способ будет эффективен только при отсутствии скольжения. Тем не менее данный способ необходим и тогда, когда имеется скольжение, при котором планетоход не может достичь ожидаемого положения. Поэтому иногда приходится многократно пересматривать планы для достижения цели. Например, во время миссии Mars Exploration Rover была большая скала, представляющая интерес для научной команды, с рыхлым песком и камнями вокруг нее на склоне 17-20°. Opportunity несколько дней боролась за то, чтобы приблизиться к ней и избежать серьезного проскальзывания. Существующие сопутствующие подходы сосредоточены, в основном, на компенсации скольжения, управлении, механическом моделировании и отслеживании положения при его наличии. Например, Helmick и др. [7, 8] разработали и испытали систему компенсации скольжения для планетохода. Siravuru и др. [9] предложили оптимизацию крутящего момента колеса для минимизации проскальзывания, что привело к улучшению управления и энергоэффективному подъему. Лемус и др. [10] разработали плуг для гусеничных планетоходов, чтобы предотвратить скольжение при спусках по крутым склонам. Было проведено много исследований по моделированию механики скольжения [11]. Так как характеристики грунта значительно изменяются во времени и в пространстве, то попытка предсказать скольжение по физическим моделям взаимодействия колеса и грунта будет сложной, особенно если учитывать неоднородность и пространственное изменение реальных поверхностей рельефа и другие неизвестные параметры таких моделей. Эти методы работают в месте нахождения планетохода, но не позволяют планировать на дистанцию. Некоторые из них очень полезны для целей прогнозирования. Например, из работ Линдеманна и Вурхиса известно, что скольжение является существенно нелинейной функцией уклонов местности (например, для таких типов местности, как песок). Результаты наземных испытаний показали поразительное соответствие ходовым качествам Opportunity. Эта счастливая случайность дает возможность использовать геометрическую модель скольжения для различных типов местности. Существующие исследования по актуальным проблемам планетологии, в основном, сосредоточены на предыдущей марсианской миссии. Например, Ли и др. проанализировали характеристики проскальзывания на траверсе, испытанного Spirit на холме Husband в кратере Гусева. Они рассчитали проскальзывание в зависимости от типа местности и уклона, используя данные, полученные с планетохода [12]. При анализе некоторых локальных областей со значительными проскальзываниями и детализацией измерений, было обнаружено, что проскальзывание сильно коррелирует с направлением и величиной наклона. В рамках подготовки к траверсу планетохода Curiosity на Марсе Haverly и др. выполнили наземные испытания на марсианском аналоге коренных пород, вязком грунте и сыпучем песке на различных склонах с использованием веса марсианских аппаратов. Скольжение транспортного средства было охарактеризовано на каждом из ландшафтов в сравнении с уклоном для движения по прямой вверх по склону. Arvidson и др. исследовали способность марсохода Curiosity пересекать продуваемые ветром песчаные мегариппли. Серия анализов показала, что сочетание свойств материала и геометрии мегарипплей объясняет случаи провала колес и их проскальзывание. Для прогнозирования скольжения используется общая схема, предложенная Angelova и др. Это первая попытка предсказания скольжения на расстоянии, в которой задача делится на распознавание типа местности и обучение функции скольжения на основе геометрии при использовании только визуальной информации в качестве входных данных. Тип рельефа изучается по его визуальному виду. Когда тип рельефа фиксируется, тогда функция скольжения и геометрия рельефа могут быть изучены, причем геометрия рельефа получается реконструкцией стереовизуальной геометрии. Эта система прогнозирования скольжения очень перспективна и позволяет избежать моделирования взаимодействия колеса с грунтом. Обоснование такого подхода заключается в том, что с точки зрения механики скольжение зависит от физических и геометрических свойств местности [13], а стереоизображения предоставляют информацию как о геометрии по данным дальномера, так и о визуальном облике местности. Для будущего марсианского проекта Китая следует исследовать возможность прогнозирования скольжения с помощью визуальной информации. В рамках работы Angelova и др. изучение и прогнозирование типов рельефа является общей проблемой и широко изучается. Для обучения функции скольжения на основе геометрии идеальные данные должны быть тщательно отобраны и точно измерены в процессе непрерывного движения, в то время как это весьма нереально для сбора данных на маршруте. Например, для получения фактической скорости планетохода на маршруте VO - реалистичный выбор. Однако непрерывность данных и точность не могут быть обеспечены одновременно таким способом, а для выполнения требований полноты и объема данных затраты сделают это нереалистичным. Чтобы дать альтернативную идею прогнозирования скольжения будущих планетоходов, в настоящей работе мы исследуем, может ли основанная на геометрии модель, изученная в наземном имитационном испытательном поле, быть применена на Луне или Марсе. Это равносильно исследованию того, могут ли тип местности и связанные с ним факторы быть аппроксимированы моделированием с лунными аналогами и насколько сильно влияние геометрической информации на скольжение, а также не окажет ли немного отличающийся тип местности фатальное влияние на скольжение. Таким образом, исследуется потенциал метода прогнозирования скольжения на основе геометрии. В данной работе для более точного и всестороннего исследования потенциала геометрической модели прогнозирования скольжения вводятся и тестируются три новые переменные с более точно измеренными и тщательно отобранными данными, полученными в ходе наземных испытаний, а затем изучаются несколько соответствующих моделей. Затем эти модели тестируются на данных СЕ-3, чтобы определить возможность применения наземной модели к лунной поверхности. Сбор данных Экспериментальные данные состоят из двух частей: данные прототипа планетохода Yutu в павильонном эксперименте на Земле (рис. 1, а) и данные планетохода Yutu в миссии CE-3 на Луне (рис. 1, б). Yutu и его прототип в основном одинаковы. Почва экспериментального павильона - это своего рода лунный аналог почвы, похожий на лунную поверхность. Гравитация планетохода-прототипа также может быть рассчитана по соотношению между псевдо-локальными декартовыми и сферическими координатами по справочнику [14], а компоненты известной гравитации и градиента гравитации в одной системе координат могут быть рассчитаны по принципу тензорного преобразования. Кроме того, управление планетоходом и другие связанные с ним условия в эксперименте внутри помещения полностью соответствуют реальной миссии. Рис. 1. Принципиальная схема опытного образца Скольжение S определяется как разница между фактической скоростью транспортного средства и ожидаемой скоростью для каждой степени свободы на шаг. Оно может быть нормализовано по ожидаемой скорости, чтобы получить безразмерное значение скольжения и выразить его в процентах от размера шага. В данной работе используется нормализованная версия. Скольжение измеряется в раме корпуса планетохода (рис. 1, б), которое определяется в следующей системе координат: начало координат расположено в центре планетохода, ось X - вдоль направления движения вперед, ось Y - вдоль оси колеса, а ось Z направлена вниз. В этом случае скольжение характеризуется тремя составляющими: продольным (X), боковым (Y) и курсовым отклонением (скольжение рыскания), где скольжения X и Y соответствуют скольжению вдоль и перпендикулярно направлению движения соответственно. Скользящее рыскание - это изменение угла рыскания, которое представляет собой скольжение вращения вокруг оси Z. Так как скользящее рыскание не является значительным в нашем наборе данных, оно не анализируется в этой статье. Таким образом, экспериментальные данные включают информацию о геометрии рельефа и соответствующую скорость скольжения (рис. 2). Фактически геометрическими входными переменными этой модели являются положение планетохода, т.е. углы тангажа и крена [15-18]. Геометрия местности должна быть преобразована в положение планетохода. Поскольку в этом эксперименте положение измеряется непосредственно, постольку связь между геометрией рельефа и положением планетохода в данной работе не обсуждается и не дифференцируется, как и обработка Angelova и др. Фактическая скорость планетохода, рассчитанная по координатам 3D-слежения, и ожидаемая скорость планетохода обычно оцениваются кинематической моделью (угловая скорость каждого колеса в качестве входных данных). Рис. 2. Структура обучения и прогнозирования скольжения Данные наземного павильонного эксперимента Павильонные экспериментальные данные имеют высокую точность и высокую частоту дискретизации. Это дает возможность проводить точные исследования моделирования скольжения и строить точные модели. Данные были получены прототипом планетохода Yutu (рис. 1, а) в закрытом павильоне Китайской академии космических технологий. Фактическая скорость и ориентация планетохода измеряются внутренней глобальной системой позиционирования (iGPS), которая отслеживает движение с частотой 40 Гц, а точность положения и ориентации меньше 1 мм и 0.1 соответственно. Аналогично работе Angelova и др., ставится вторая, так называемая ступень, в качестве блока обработки и исследования данных. Поскольку планетоход двигался с постоянной командной скоростью, шаг в данной работе составляет 55.56 мм [19]. Принимая этот шаг за эталон, погрешность измерения фактической и ожидаемой скорости составляет ~ 1.8 и 0.47% соответственно, что гарантирует погрешности измерения скольжения менее 2%. Точность, частота, объем и согласованность этого набора данных намного превосходят данные Angelova и др. Например, их данные распределены по пяти различным типам местности, количество и полнота по каждому типу местности недостаточны. Кроме того, некоторые данные планетохода Rocky8 были получены после каждой остановки робота, в то время как данные LAGR были получены в процессе непрерывного движения [20-22]. Наш набор данных состоит из 3054 записей (около 170 м), включая 28 независимых тестовых участков в соответствии с внутренней непрерывностью. Примечательно, что более высокая частота дискретизации данных приведет к более высоким требованиям к модели. Данные планетохода Yutu в миссии CE-3 Данные СЕ-3 используются для проверки возможности обобщения модели, полученной в результате наземных экспериментов. Планетоход Yutu может рассчитать свое положение, используя комбинацию IMU и колесную. Однако из-за скольжения и дрейфа IMU этот метод приводит к определенным ошибкам позиционирования, которые будут накапливаться по мере увеличения дальности движения [23]. Чтобы избежать подобной ошибки, в работе Liu и др. применяются межсайтовая визуальная локализация и локализация соответствия DOM. Локализация соответствия DOM была выполнена между Navcam DOM с разрешением 2 см и Descam DOM с разрешением 5 см [24]. Эта точность является самой высокой. Хотя точность локализации соответствия DOM явно не задана, она будет составлять не менее 5 см, что соответствует 1-0.5% для сегментов движения 5-10 м. Углы тангажа и крена планетохода Yutu в процессе вождения получаются в соответствии с мгновенным положением, обеспечиваемым IMU, отбором проб с частотой один раз в 4 с. Поскольку шаг модели скольжения составляет одну секунду, данные об ориентации должны быть интерполированы. Рациональность и точность интерполяции связаны со степенью изменения рельефа. Поскольку уклоны местности большинства участков движения стабильны в масштабе 20 см, интерполированные положения относительно надежны (рис. 3). Рис. 3. След планетохода Yutu, снятый панорамной камерой (Pancam) Эти данные архивируются в Научно-прикладном центре исследования Луны и дальнего космоса, procuct ID: CE3_BMYK_PCAML-C-056_SCI_N_20140113200002_ 20140113200002_0008_A.2C, http://moon.bao.ac.cn/ceweb /datasrv/dmsce3.jsp. Угловые скорости колес в процессе движения получаются от колесных энкодеров с частотой один отсчет за 4 с. Такая частота дискретизации низка для оценки ожидаемого трека с использованием кинематической модели. Более того, криволинейный заданный путь делает кинематическую оценку невозможной при более низком частотном измерении угловых скоростей. Таким образом, планируемый путь выбирается в качестве кинематического ожидаемого (рис. 4). Рис. 4. Данные планетохода Yutu в миссии CE-3 Поскольку на результаты расчета влияют скольжение и дрейф IMU, постольку фактическая мгновенная скорость в процессе движения не может быть получена. Таким образом, результаты локализации соответствия DOM выбираются в качестве оценки для фактического движения, затем они сравниваются с запланированными путями для получения накопительных пробуксовок каждого участка. Метод измерения скольжения такой же, как и у Li и др. Чтобы сделать это сравнение, начальные точки запланированного пути и соответствующие совпадающие точки DOM должны быть объединены из многих источников данных. Всего собрано 13 полных участков данных (около 94 м) (рис. 4). Запланированный маршрут - это ожидаемый путь, если нет проскальзывания колеса. DOM-совпадающие точки являются начальной и конечной точками фактического маршрута движения. Методы Скольжение происходит непрерывно, однако в классической системе прогнозирования скольжения геометрическими входными переменными являются только углы тангажа и крена. Реальная ситуация скольжения сложна, так как связана с мгновенными характеристиками, в то время как две геометрические входные переменные являются статическим описанием. Таким образом, их недостаточно, чтобы охватить все особенности скольжения и описать модель скольжения. Например, Angelova и др. указывают, что скольжение может изменяться в некотором диапазоне на одном и том же типе местности и склонах по неизвестным причинам. Для более полного изучения потенциала геометрической модели прогнозирования скольжения вводятся три новые переменные - временные разности углов тангажа и крена (difPitch и difRoll) и проскальзывание предыдущего шага (preSlip). Предполагается, что первые две переменные выражают изменчивость геометрии местности в пространстве и непрерывность процесса. А переменная preSlip, как ожидается, будет выражать непрерывность времени и стабильность процесса. Они разработаны в различных сочетаниях для исследования потенциала геометрической модели в виде сравнительной экспериментальной группы (табл. 1). Входные переменные экспериментальных групп скольжения X и Y несколько отличаются. Структура этой работы показана на рис. 2, которая состоит из двух частей: изучение моделей прогнозирования скольжения на основе геометрии на земле и тестирование изученных моделей на данных миссии CE-3. Когда модели будут изучены в первой части, они будут протестированы во второй части, а затем результат прогнозирования должен сопоставиться с измеренным скольжением Yutu в CE-3. Для первой части входные данные включают измеренное скольжение и соответствующие геометрические входные переменные (каждый эксперимент немного отличается, табл. 1). На практике ожидается, что фактическая скорость и геометрия будут получать входные переменные от стереовидения, в то время как в экспериментах в павильоне можем корректировать движение в соответствии с наблюдением и измерением. А во второй части геометрические переменные достигаются IMU. Предполагается, что ожидаемая скорость будет оценена по кодам колес, когда же данные кодирования колес не могут соответствовать требованиям, они могут быть получены из команды планирования, например, во второй части. Таблица 1 Сравнение экспериментальных групп с различными комбинациями входных переменных № п/п Скольжение X Скольжение Y 1 Тангаж Крен 2 Тангаж Крен Тангаж Крен 3 Тангаж difPitch Крен difRol 4 Тангаж Крен difPitch Тангаж Крен difRol 5 Тангаж Крен difPitch difRol Тангаж Крен difPitch difRol 6 Тангаж Предварительное скольжение Крен Предварительное скольжение 7 Тангаж Крен Предварительное скольжение Тангаж Крен Предварительное скольжение 8 Тангаж Крен difPitch difRol Предварительное скольжение Тангаж Крен difPitch difRol Предварительное скольжение В первой части содержится 28 независимых субданных. Все эксперименты проводились с помощью перекрестного теста: один раз в качестве тестовых данных, а другой - в качестве обучающих данных. Для получения более объективного результата все они выполняются глобальным методом, искусственной нейронной сетью (ANN), и локальным методом, локально взвешенной проекционной регрессией (LWPR) [25]. Средний результат (MAE) 28-кратного эксперимента показан на рис. 5. Легко обнаружить, что новые введенные переменные являются ценными и независимыми от алгоритма. Рис. 5. Характеристики геометрических моделей прогнозирования с различными геометрическими входными переменными После того как модели скольжения X и Y были изучены на павильонных данных, они могут быть протестированы на данных CE-3, чтобы проанализировать их возможности для применения к новой местности и новым условиям. Так как измеренные пробуксовки планетохода Yutu являются накопительными, данные результаты должны быть суммированы. Этот тест разработан по двум причинам: А. Эксперимент в павильоне проводится на аналоговом рельефе Луны, который моделирует лунную поверхность, и соответствующие экспериментальные условия стараются поддерживать в соответствии с фактической траекторной миссией. В. Эксперимент с пробуксовкой в работе Lindemann and Voorhees показывает сверхъестественное соответствие Opportunity, что вдохновляет нас на попытку, которая не соответствует принципу предсказания Angelova и др. Алгоритмы ANN - это метод аппроксимации глобальных функций. Для нейронных сетей (НС), использующих сигмоидные элементы в скрытом слое и линейные элементы в выходном слое, любые ограниченные непрерывные функции могут быть аппроксимированы с произвольно малой ошибкой в ограниченной норме двухслойной НС, а количество требуемых скрытых элементов зависит от целевой функции. Таким образом, наша НС настроена на два уровня. Поскольку размеры входного признака каждого этапа эксперимента различны, постольку устанавливаем скрытые нейроны в соответствии с фактическим тестом. Чтобы избежать переобучения, 20% тренировочных данных делятся на проверочные наборы для остановки. LWPR - это метод локальной нелинейной регрессии. По сравнению с глобальными аппроксиматорами функций, такими, как многослойные нейронные сети или регрессия опорных векторов, он имеет преимущества в том, что его локальные модели обучаются независимо. Например, когда во время обучения появляется новый пример, необходимо переоценить только параметры рецептивных полей в непосредственной близости от этого примера. Основная идея состоит в том, чтобы разделить входные области на подобласти (рецептивные поля) и локально применить линейные подгонки к данным для аппроксимации глобально нелинейной функции. Для точки запроса x (например, {Pitch, Roll, difPitch}) LWPR рассчитал свое предсказание (скорость скольжения) путем нормализации взвешенной суммы индивидуальных предсказаний всех рецептивных полей: ; (1) ; (2) , (3) где - силы активации соответствующих рецептивных полей, которые в данной работе представлены гауссовым распределением (гауссианом); - количество рецептивных полей. Гауссиан параметризует рецептивное поле по его расположению во входном пространстве и положительно определенной метрике расстояния , определяющей размер и форму рецептивного поля. Вектор - низкоразмерная проекция входных данных по методу наименьших квадратов (PLS), а - размерность. Функцию затрат LWPR представляет следующее уравнение: , (4) где N - размер входных данных ; соответствует инвертированной взвешенной ковариационной матрице, вычисленной по прогнозируемым входным данным для для . LWPR использует статистически обоснованную стохастическую перекрестную проверку для автоматического обновления параметров регрессии , метрики расстояния , местоположения каждой локальной модели и количества локальных моделей. LWPR требует достаточно большого количества обучающих данных, чтобы алгоритм мог правильно определить локальную размерность и масштаб, на котором функция регрессии локально линейна. Если обучающий набор невелик, то образцы могут быть представлены LWPR несколько раз в случайном порядке. В общем случае выражения (1) - (3) представляют собой предсказания LWPR скорости проскальзывания путем нормализации взвешенной суммы индивидуальных предсказаний всех приемных полей. Выражение (4) - это функция затрат LWPR, которая в основном предназначена для избегания чрезмерной подгонки. Результаты и их обсуждение Результаты прогнозирования наземных моделей применительно к данным CE-3 представлены на рис. 6 и 7 в виде корреляционного сравнения прогнозируемых накопительных пробуксовки с фактически измеренными значениями. Среди них показаны результаты скольжения X и Y, а также ANN и LWPR соответственно. Результаты прогнозирования представляют собой накопительные промахи 13 разделов данных. Затем вычисляется корреляция между результатами прогнозирования и измеренным скольжением (13 чисел соответственно), включая коэффициенты корреляции (R) и p-значения (P), чтобы проиллюстрировать возможность обобщения модели и потенциал прогнозирования в новых условиях. Рис. 6. Результат сравнения измеренного и прогнозируемого скольжения X миссии CE-3 на основе модели, полученной из павильонных данных Корреляция между прогнозируемыми накопительными промахами восьми субтестов и фактически измеренными значениями показана слева, а детали лучших субтестов показаны справа. (лучшие результаты: ANN скольжения X, тест 8, R = 0.7039, P = 0.0073 (рис. 6, б); LWPR скольжения X, тест 4, R = 0.8467, P = 0.0003) (рис. 6, г). Для скольжения X результаты прогнозирования восьми подтестов по ANN (рис. 6, а) демонстрируют положительные эффекты вновь введенных переменных, в которых наилучший результат дает 8-й субтест, R = 0.7039 и Р = 0.0073, а также показана его детализация (рис. 6, б). Этот рисунок показывает, что кроме особенно большого измеренного значения другие имеют тот же тренд и близкий перехват, что является поразительной согласованностью [26]. Рис. 7. Результат сравнения скольжения Y миссии CE-3 Большое скольжение (измеренное значение) может быть вызвано камнями или другими препятствиями, которые трудно предсказать, потому что не было тренировки на стадии обучения и его трудно смоделировать. Кроме того, сглаживающий эффект, определяемый свойствами глобального метода обучения (например, ANN), и присущее ему предскольжение также приводят к стабильности результата прогнозирования. Таким образом, как метод локального обучения, 4- и 5-й результаты LWPR лучше, чем 7- и 8-й (см. рис. 6) и весь результат ANN. Наилучшие результаты: ANN скольжение Y, тест 7, R = 0.8334, P = 0.0004 (рис. 7, б); LWPR скольжение Y, тест 7, R = 0.8587, P = 0.0002 (рис. 7, г). Результаты прогнозирования скольжения Y, полученные ANN и LWPR, показывают ту же тенденцию, что и эксперимент в помещении: вновь введенные переменные повышают экспрессионную способность модели. Однако небольшая разница заключается в том, что лучшим результатом является 7-й, а не 8-й или 5-й субтест. Это может быть связано с относительно разреженными обучающими данными скольжения Y для более точных измерений входного пространства. Полноты обучающих данных недостаточно, что приводит к нестабильным результатам в пространстве более точных измерений [27-30]. Хотя с точки зрения потенциальных исследований очевидна тенденция влияния различных геометрических факторов на производительность и переносимость модели. В общем случае, если значение р меньше табличного для уровня значимости (например, 0.05), то соответствующая корреляция R считается значимой [31, 32]. Таким образом, этот эксперимент показывает, что полученные из павильонных данных на Земле модели полезны для применения на лунной поверхности в очень разных условиях. Заключение Поскольку на скольжение влияют многие факторы: параметры грунта, типы колес (например, жесткие или надувные), распределение веса транспортного средства, неравномерность оседания колес и т. д., постольку построение физической модели скольжения чрезвычайно сложно. Моделирование и прогнозирование скольжения на основе машинного обучения является практичным методом. Предыдущие работы показали, что можно изучать и прогнозировать скольжение по геометрическим параметрам траектории движения при соблюдении определенных ограничений, таких, как один и тот же планетоход и один и тот же тип местности. A. Данная статья направлена на изучение того, насколько скольжение может быть определено геометрическими факторами. Другими словами, исследован эффект основанных на геометрии моделей, в которых рельеф и другие связанные с ним ситуации моделируются как можно чаще. Геометрическая модель может применяться только в рамках кстановленного типа рельефа. Для более полного изучения геометрической модели вводятся три новые переменные с целью учета изменчивости геометрии рельефа и непрерывности процесса движения. Б. Как в экспериментах с павильонными, так и с лунными данными эти новые переменные позволяют моделям показывать лучшую производительность. Можно обоснованно предположить, что комбинация всех пяти геометрических входных переменных позволяет достичь наилучшего результата, если полнота, точность и объем обучающих данных соответствуют требованиям. В. Модель, построенная на данных земного эксперимента, применяется в последующих исследованиях. Если результаты прогноза хорошо согласуются с измеренными значениями, то это показывает, что при достижении определенного уровня моделирования грунта рельефа его геометрия может стать основным фактором. Это также показывает, что потенциал основанной на геометрии модели может быть использован для исследования планет.. Дальнейшие исследования следует сосредоточить на том, чтобы интегрировать прогноз скольжения в структуру планирования пути. A. Предлагаемый метод не может дать прогноз скольжения точки на рельефе, потому что геометрические входные переменные исходят из продольных и боковых уклонов, которые тесно связаны с фактической траекторией движения. После того, как путь движения запланирован, скольжение может быть оценено, чтобы избежать потенциально опасных областей. Б. Далее команды планирования и соответствующие прогнозы скольжения должны быть повторно даны рекурсивно, чтобы получить точную оценку ожидаемого положения и пути. Так как соответствующие данные очень трудно получить, дальнейшие исследования по тематике настоящей работы следует продолжить.

Скачать электронную версию публикации