论文导读
深空漫游车在松软异星土壤中极易发生车轮下陷打滑，依赖人工延时干预严重限制了探索范围与移动效率。南加州大学联合NASA喷气推进实验室与华盛顿州立大学等机构推出了面向火星行驶的端到端自监督通行评估模型。该系统在毅力号真实火星车跨越500个火星日的行驶数据上训练验证，使漫游车地貌通行风险预测准确率突破了87%。
核心背景与自监督对齐架构
在远离地球数亿公里的外太空行星表面，无人火星漫游车面临着严酷的地貌挑战与极高风险的松软沙丘陷车威胁。以往由于地火通信存在数十分钟的超长延时，漫游车每前进一步都必须依赖地面工程师进行繁复的人工地形评估与路径审查，每天的行进距离往往仅有几十米。为此，南加州大学、NASA喷气推进实验室与华盛顿州立大学的研究团队联合构建了首个利用火星车真实车轮滑动遥测数据进行端到端学习的地表自适应通行框架。
与以往依赖人工模拟沙坑训练的传统方案不同，该研究完全基于NASA毅力号火星漫游车在耶泽罗撞击坑前500个火星日内所记录的真实行驶轨迹。数据集涵盖了火星漫游车行驶超过45公里的海量数据，将车载前向双目黑白导航相机拍摄到的前视地貌图像与惯性测量单元测得的车轮真实滑移率完全时间对齐。
图：基于毅力号真实轮迹预测的火星表面通行风险热力分布图
真实火星数据与多模态表征对齐
在核心架构设计上，研究团队将自监督对比学习与多模态对齐损失函数相结合，构建了高效的地貌风险量化网络。模型通过对比火星车实际碾压区域与避开的大型岩石碎块，自发学会对不同反照率沙土与裸露基岩进行抓地力排序。同时，网络整合了车身俯仰角、摇臂悬架倾角以及加速度等本体感受反馈，输出包含了滑移中位数与预测不确定性的多维通行评分。
图：跨越数百个火星日的复杂岩石碎石与沙丘实测影像切片
关键突破与地貌通行实测
大量严格的消融对比实验证明，该模型在火星复杂地形上的通行评估ROC曲线下面积达到了0.871，相较经典视觉基线获得了质的飞跃。即使在遭遇低光照逆光阴影或地表扬尘突发的恶劣光照条件下，模型依然能够准确识别隐藏在薄沙下方的松软陷阱。
图：模型提取的地貌视觉特征与本体感受信号在潜空间的自监督聚类
未来应用与落地展望
这一成果为深空探测机器人迈向完全自主越野巡航开辟了广阔空间。未来该算法可直接部署在火星漫游车及月球科研探测车的高可靠嵌入式主控单元中，帮助外星探测车实时自适应调整行驶路径与轮速转矩。
