共计 1331 个字符，预计需要花费 4 分钟才能阅读完成。
随着各国月球与深空探测计划密集推进，行星探测车即将迎来新一轮任务高峰。然而，过往任务积累的宝贵地形数据，在推动自主导航技术发展方面尚未得到充分挖掘。瑞典吕勒奥理工大学的研究团队近日取得关键进展——他们通过构建首个大规模标准化路径规划数据集，为行星探测车的自主导航研究提供了重要基础设施。
由 Marvin Chancán、Avijit Banerjee 和 George Nikolakopoulos 组成的研究团队，在《科学·机器人学》期刊上发表了最新成果。他们基于高分辨率地形图像，建立了名为 MarsPlanBench 和 MoonPlanBench 的两个大型基准测试数据集，并开发了统一的评估框架，能够系统比较传统算法与前沿机器学习方法在行星路径规划中的表现。
“先前的研究缺乏标准化测试环境，导致算法性能难以客观比较。”研究负责人表示，“我们的工作首次将真实行星地形数据转化为可复现、可量化的评估体系。”
研究团队处理了来自火星勘测轨道飞行器 HiRISE 相机和 NASA 月球勘测轨道飞行器激光高度计的原始数据。MarsPlanBench 包含 2386 个网格地图，平均分辨率达 200×400 像素，根据地形的坡度阈值区分可通行与不可通行区域。MoonPlanBench 则聚焦月球极地着陆区，提供 36 个空间分辨率达每像素 5 米的高精度占据网格。
这些数据集不仅规模空前，还通过公开代码库确保了生成过程的透明度和可复现性，允许其他研究团队生成更高分辨率的地图或适配新的地形数据。
在统一测试框架下，研究团队系统评估了多种路径规划算法：,
- 经典算法 ：包括 Dijkstra、A* 和 RRT-Connect 等成熟方法
- 学习方法 ：涵盖 Waypoint Planning Networks、Value Iteration Networks 等前沿机器学习模型
评估指标全面覆盖路径长度、计算效率、成功率和轨迹平滑度，并采用照片级真实感模拟器确保测试条件贴近实际任务环境。
实验结果挑战了部分预期：在复杂行星地形中，Dijkstra 等经典算法在路径最优性方面表现稳健，RRT-Connect 则在求解速度与质量间取得良好平衡。这些成熟方法在全局路径规划中始终保持高成功率，印证了它们为何能被“毅力号”火星车等现有任务采用。
相比之下，机器学习方法虽显示出潜力，但面临显著局限：需要大量训练数据、难以泛化到未见地形，且性能受地貌类型和参数设置影响较大。“当前的学习模型尚未准备好应对行星表面的极端复杂性。”研究团队指出。
这项工作通过三大贡献推动领域发展：,
- 标准化基准 ：首次提供公平、可复现的算法比较平台
- 真实数据集 ：基于实际任务数据的训练与评估资源
- 方法学洞察 ：清晰揭示各类算法的适用场景与局限
研究团队已公开全部数据集和代码库，为全球研究社区提供关键基础设施。随着未来月球与火星任务持续产生新数据，该框架可扩展整合三维地形表示、多车协同规划等前沿方向。
“我们正站在行星自主探索的关键转折点。”论文共同作者总结道，“这项研究不仅加速导航算法开发，更将帮助任务规划者做出更明智的技术选择，最终让探测车在陌生星球上走得更远、更智能。”
该研究获得了人工智能、自主系统与空间探索领域多家基金会的支持，并致谢了在运动规划领域做出奠基性贡献的研究先驱。
