深度学习的三维模型识别研究综述

随着三维扫描仪、LiDAR等三维视觉感知设备的快速发展,三维模型识别方向正逐渐引起越来越多的研究者的关注。该领域的核心任务是三维模型的分类与检索。深度学习技术在二维视觉任务方面已经取得显著的成就,将这一技术引入三维视觉领域不仅突破了传统方法的限制,还在自动驾驶、智能机器人等领域取得了引人瞩目的进展。然而,将深度学习技术应用于三维模型识别任务仍然面临着多项挑战。鉴于此,对深度学习在三维模型识别任务中的应用进行综述。首先,论述了常用的评价指标和公开数据集,介绍每个数据集的相关信息和来源。接着,从多个角度出发,包括点云、视图、体素以及多模态融合等,详细介绍现有具有代表性的方法,并梳理了近年来的相关研究工作。通过在数据集上对这些方法的性能进行对比,分析各个方法的优势和局限性。最后,基于各类方法的利弊,总结当前亟待解决的三维模型识别任务中的挑战,并展望了未来在该领域的发展趋势。     

轻载荷条件下的筛网轮沉陷

针对月面低重力环境,采用轮上载荷为20~60 N的轻载荷条件,以车轮轮上载荷和速度为试验因素,车轮沉陷为试验指标设计正交试验方案,在模拟月壤3种不同状态下进行筛网轮土槽试验,采集车轮实际沉陷值,并利用激光轮辙形貌测量装置扫描轮辙,采集表观沉陷值。通过回归分析,拟合得到模拟月壤不同状态下筛网轮沉陷关于轮上载荷和速度的二元线性回归方程,方程拟合较好,置信度均为0.99,且相关系数均在0.9以上。对比车轮实际测量沉陷值和回归方程计算沉陷值,二者相对误差范围为0.34%~8.24%。轮辙的表观沉陷与相应的实际沉陷变化趋势一致,且二者沉陷差值随轮上载荷增加呈现线性增加规律,本文结果可为通过轮辙表观沉陷预测车轮实际沉陷提供依据。     

CE-3月球车筛网轮月面沉陷行为试验

CE-3月球车在月面行驶时,车辙沉陷是判别其通过性的主要依据。本文通过土槽试验研究了CE-3月球车筛网轮的沉陷行为,试验结果表明:车轮表观沉陷量小于实际沉陷量,动态沉陷差值最大为19.8 mm,最小为3.7 mm,且沉陷差值随滑转率的增大而增大。根据试验数据,建立了预测沉陷差值的数学模型,并通过月球车内场试验进行验证,结果表明:模型3和模型4预测准确,精度分别为85%和84.5%。研究结果可为中国月球车通过性能评估、路径规划提供参考和依据。     

面向火星着陆器缓冲试验的模拟火星壤力学特性分析

综述了现有火星着陆点火壤的物理力学参数和岩石大小及分布,介绍了着陆试验的过程、方法和所用模拟火壤,其中包括海盗号着陆器着陆试验数据分析和着陆试验场表面形貌。最后,汇总现有着陆点火星壤的物理力学参数和海盗号着陆试验用壤的参数,给出了我国着陆试验用模拟火壤的建议值及范围。     

火星车通过性评估技术现状与展望

火星表面地形地貌复杂,且覆盖有松软的火星土壤,这使得火星车在巡视探测时面临大沉陷、高滑转,甚至不能通过的风险。因此,火星车通过性分析和路径规划对巡视探测至关重要。本文调研了美国索杰纳号、勇气号、机遇号、好奇号、毅力号和我国祝融号火星车的通过性评估策略与方法,并分析基于多信息融合、深度学习和数据驱动的通过性评估研究新进展。最后,对未来火星车通过性判断发展方向进行了展望。     

复杂地面车辙识别试验与验证

火星表面地形地貌复杂,为了保证火星车行驶安全,需要对巡视器周边土壤的图像信息进行判别和分类。首先,根据试验场地和图像信息等对图像进行预处理,建立鸟瞰图像。接着,以鸟瞰图像为基础建立图像块并建立数据集,建模集和预测集分别包含315组和135组数据。然后,在划分的数据集基础上建立神经网络模型,并对数据进行训练和分类。最后,根据得到的分类模型对图像进行分类,得到感兴趣区域。分类结果表明：应用ResNet50得到的模型其建模集和预测集的分类准确率分别为75.56%和81.48%。该方法可实现巡视器周边地表类型的分类,并提取图像的感兴趣区域,以便实现更为精准的判别,可用于实现火星车通过性感知、风险预测和路径规划,为未来智能星球车移动系统研制和探测提供理论和技术支持。