一种面向基于视觉的自主月球着陆点选择的风险感知FSS-UNet++框架

《ADVANCED ENGINEERING INFORMATICS》：A risk-aware FSS-UNet++ framework for vision-based autonomous lunar landing point selection

　　

# 摘要

自主月球着陆是一项安全攸关的工程问题，需要在严重环境不确定性下做出可靠决策。传统的数据驱动视觉模型缺乏对工程约束的显式感知。这类模型通常将不同类型的误分类等同对待，而当危险地形被错误识别为安全区域时（即"误判安全"），这是一个灾难性的缺陷。为解决上述挑战，我们提出了一种用于自主月球着陆点选择的**风险感知视觉决策框架**，并开发了**FSS-UNet++**——一种用于抑制误判安全的分割网络，旨在减轻危险地形在危险感知阶段被错误分类为安全区域的问题。FSS-UNet++基于UNet++架构，并融入了三项关键增强：一是用于光照适应的对比增强预处理模块，二是用于改善危险感知的注意力机制，三是用于将非对称风险容忍度编码进网络的混合损失函数。随后，一个集成的空间推理算法处理分割图，通过施加源自着陆器尺寸的几何约束来确定最优着陆点。采用高分辨率数字高程模型（DEM）生成的模拟月球图像来验证所提方法的性能。结果表明，该框架通过抑制误判安全预测同时保持鲁棒的危险检测性能，提升了着陆决策的可靠性。集成系统完成决策的平均时间为12.99毫秒，凸显了其在未来月球着陆任务中用于实时在轨部署的广阔前景。

---

# 引言

近年来，全球掀起了新一轮的月球探索热潮，许多国家提出了新的探月任务。在探索任务中，着陆阶段尤为关键，它直接决定了航天器能否成功部署并在月球表面运行。然而，月球表面地形极为复杂，且月球与地球地面站之间存在通信延迟。着陆过程持续时间相对较短，使得危险规避更加困难[1][2]。现有的月球危险检测方法可根据数据源分为两大类：主动传感系统获取的点云数据和被动传感器获取的光学图像[3][4][5]。

激光雷达（LiDAR）是一种基于激光的测距技术[6]。在行星着陆应用中，这些测距数据可用于计算地形参数并识别安全着陆点[7][8]。LiDAR技术可从多个角度进行分类，包括光束数量、扫描机制、探测器配置和飞行时间测量原理。从航天器相对导航的角度来看，Christian和Cryan[9]根据传感器如何照明和感知三维场景，将LiDAR传感器组织为扫描式LiDAR、探测器阵列LiDAR和基于空间光调制器的LiDAR。本文仅使用这种基于架构的分类来组织在太空着陆和导航应用中已被使用或评估的代表性LiDAR系统。因此，以下讨论侧重于扫描式LiDAR，特别是多光束扫描实现，以及探测器阵列/闪光LiDAR，这两类与着陆危险检测最为相关。

Wu等人[10]开发了一种基于扫描LiDAR的月球软着陆危险规避方法。该方法在下降过程中从机载LiDAR测量重建局部三维地形信息，并利用坡度约束和粗糙度约束评估候选着陆区域。借助一种名为激光三维成像传感器（L3DIS）的多光束扫描激光雷达，该方法已应用于嫦娥三号任务。除了飞行应用之外，Liu等人[11]通过实验评估了L3DIS的危险感知能力，其验证实验证实了该传感器能够准确检测小型地表陨石坑（深度0.16–1.36米）和岩石（高度0.05–0.1米）。类似地，美国国家航空航天局（NASA）的安全精确着陆综合演进（SPLICE）项目使用一种被称为危险检测激光雷达（HDL）的混合扫描成像激光雷达来扫描着陆场，并生成实时三维地形图以实现精确着陆和危险规避[12]。探测器阵列LiDAR系统为地形测绘提供了另一种方法，利用激光泛光照明像相机一样捕捉整个场景。闪光LiDAR已被广泛应用于太空应用。一种三维闪光LiDAR在Morpheus着陆器的飞行测试中得到评估，证明了其检测40厘米级别危险物的能力，并成功在危险地形中识别出五个安全着陆点[13]。然而，LiDAR传感器通常功耗较高且产生大量数据，凸显了对低功率和数据高效的安全着陆点选择方法的迫切需求。

由于光学传感器体积紧凑且功耗低，基于光学图像的着陆危险规避技术已朝着多样化和创新方向发展[14]。以往的视觉方法主要依赖于从光学图像中提取的手工纹理和亮度特征，使用图像增强和边缘检测等技术来识别危险物。Mahmood等人[15]将Harris角点检测器与Sobel边缘滤波器结合来检测陨石坑和岩石，并应用图像标准差（ISD）方法评估表面光滑度以选择安全着陆点。Kuga等人[16]建立了一种安全着陆区域检测方法，从机载单目导航相机拍摄的实时月球表面图像中提取图像亮度特征。该方法被应用于用于月球研究的智能着陆器（SLIM）任务——世界上首个以优于100米的精度实现精确软着陆的月球探测任务。在更复杂的案例中，利用反射特性或形状约束从亮度变化中推断表面深度[17][18]。然而，随着探索任务延伸至月球南极，复杂的光照条件降低了传统图像分析方法的准确性和适应性。

上述方法表明了需要一种能够快速准确检测月球危险物并选择安全着陆点的自主系统。随着人工智能的最新进展，深度学习在特征提取方面展现出强大的能力。与基于手工特征的方法相比，卷积和Transformer模型能够学习到更具判别力的表征用于危险检测和着陆区域评估。在最近的研究中，Lunghi等人[19]设计了一种多层感知器危险检测器，该网络使用平均强度、方差、梯度幅度和拉普拉斯算子（LoG）等图像特征来表征危险物。基于生成的危险图，系统通过结合危险等级、可用面积和与目标着陆点的偏移量组合成一个单一评分来自动选择最安全的着陆点。Scorsogli等人[20]使用UNet模型将识别安全着陆区作为子过程，并利用强化元学习（RML）框架实现高度自主的着陆点选择。Ghilardi等人[4]提出了一种由视觉Transformer（ViT）驱动的方法，从低光RGB图像中提取地形特征。在其实验设置中，该方法性能优于UNet基线，尤其是在高海拔区域。Song等人[21]通过在原YOLOv3中嵌入卷积块注意力模块（CBAM）提出了一种增强注意力的YOLOv3用于月球陨石坑检测。使用行星和小行星自然场景生成工具（PANGU）软件生成的合成数据集，该方法展现了比标准YOLOv3更高的检测准确性和鲁棒性。近期研究进一步将基于AI的着陆安全评估从单一任务危险检测扩展到系统级别的安全着陆区映射。Abdollahzadeh等人[22]提出了一种无人机安全着陆区映射框架，集成了基于U-Net的语义分割、YOLOv11目标检测、BoxMOT跟踪和基于LSTM的轨迹预测，将视觉观测转换为持续更新的安全图以支持自主着陆决策。

尽管取得了这些进展，大多数现有研究主要关注最大化通用分割或检测精度。其中许多研究很少融入航空航天工程独特安全约束方面的领域专家知识，从而忽视了月球着陆中的一个关键方面：所有误分类之间的风险非对称性。风险非对称性已在近期的无人机着陆安全映射中被考虑，Abdollahzadeh等人[23]引入了一种基于有序回归的方法，采用非对称安全惩罚来反映着陆相关预测错误的不同后果。对于自主月球着陆而言，这种非对称性变得更加关键：误判安全错误（将危险物分类为安全）所带来的任务风险远高于误判危险错误（将安全区分类为危险），因为前者可直接导致灾难性坠毁。

为弥补这一差距，我们提出了一种用于自主月球着陆点选择的**风险感知视觉决策框架**，该框架将危险感知和着陆决策集成在统一的流程中。在该框架中，**FSS-UNet++**被引入作为危险检测中抑制误判安全的核心感知模型。我们选择UNet++[24]作为主干网络，因为其在通过嵌套密集跳跃连接整合多尺度特征方面具有卓越能力[25]。在此基础上，FSS-UNet++采用对比度受限自适应直方图均衡化（CLAHE）作为图像预处理步骤，并将CBAM集成到UNet++主干中以实现基于注意力的特征细化。此外，设计了一种混合损失函数以赋予误判安全错误更高的惩罚。基于FSS-UNet++产生的危险分割图，使用带有几何约束的空间推理模块进行着陆点选择。所提框架使用从着陆器单目摄像机视角生成的模拟月球图像进行训练和评估。本文的贡献如下：

1) 提出了一种用于自主月球着陆点选择的**风险感知视觉决策框架**。该框架将一种抑制误判安全的分割网络FSS-UNet++与着陆点选择模块相结合，将安全/不安全分割转换为着陆决策。根据具有挑战性的月球着陆环境和关键的任务安全要求，将基于CLAHE的对比增强、基于注意力的特征细化和风险感知损失函数整合到FSS-UNet++中。它们的组合提高了生成的安全图的可靠性，并抑制了可能导致高风险着陆决策的误判安全预测。

2) 开发了一种基于约束的空间推理策略用于最优着陆点确定。通过将Grassfire算法与SLIM任务中采用的着陆点评估策略相结合，所提方法弥合了像素级危险感知与工程约束着陆决策之间的鸿沟。该方法利用Grassfire强制执行着陆器尺寸约束并识别满足约束的着陆候选点的能力，同时补充了在高度杂乱地形中提供约束放松备选候选点的功能。

3) 建立了一种从低分辨率数字高程模型（DEM）生成高分辨率月球模拟图像的方法。通过将分形布朗运动噪声与随机分布的小型陨石坑和岩石相结合，我们合成了亚米级地形数据。结合光照模拟和相机渲染，该方法生成了多种多样的合成月球图像，支持视觉算法在多种月球着陆场景下的训练和评估。

本文分为若干章节组织。第二节中，生成模拟月球图像及其对应的真实标签用于模型训练和性能评估。第三节介绍了总体框架和优化模块。第四节通过将FSS-UNet++模型与基线模型进行比较来评估性能，并基于所提着陆点选择方法选择安全着陆点。第五节给出结论，并指出一些潜在工作。

---

# 模拟月球图像生成

为使月球危险检测和着陆点选择算法能够进行训练和验证，生成了一组高保真的月球表面模拟图像。本研究使用的数字高程模型源自NASA月球勘测轨道飞行器（LRO）任务上的月球轨道激光测高仪（LOLA）设备，空间分辨率为3米。然而在实际中，月球着陆任务对危险检测需要更高的分辨率。例如，嫦娥四号任务...

---

# 方法

图4展示了所提风险感知危险检测和着陆点选择框架的整体工作流程。该框架组织为三个主要阶段：数据准备、危险感知和着陆点确定。

在数据准备阶段，对模拟月球图像及其对应的安全/不安全参考二值图进行预处理以构建训练数据集。预处理流程包括图像填充、数据集洗牌和训练集—测试集...

---

# 实验与讨论

采用五个语义分割任务中广泛使用的指标来评估模型性能，分别是交并比（IoU）、Dice系数、准确率、假发现率（FDR）和真阳性率（TPR），定义如下：

IoU用于衡量预测区域与真实区域之间的重叠程度。

更高的IoU表示预测与参考之间的匹配程度更好。IoU=TPTP+FP+FNDice系数用于衡量预测的结论在本研究中，我们提出了一种风险感知的视觉决策框架，用于自主月球着陆点选择，其中FSS-UNet++分割网络作为核心的危险感知模块。该网络专门设计用于抑制误判安全预测，这是月球着陆任务中的一个关键安全问题，即危险地形可能被错误地识别为安全。为增强复杂光照和地形条件下的鲁棒性，提出三项关键改进CRediT作者贡献声明长江晓：撰写—审阅与编辑，撰写—原稿，监督，方法论，调查，资金获取，概念化。唐佳璐：撰写—审阅与编辑，撰写—原稿，可视化，验证，软件，方法论，调查，正式分析，数据整理。冯永九：撰写—审阅与编辑，可视化，监督。谢欢：撰写—审阅与编辑。童小华：撰写—审阅与编辑。谭心悦：撰写—审阅与编辑。利益冲突声明作者声明，他们没有已知的竞争性经济利益或个人关系可能会影响本文所报告的工作。致谢本工作部分得到了中国国家重点研发计划（Grant 2025YFF0513003）、国家自然科学基金委（NSFC）项目（42471395、42595540、42530113和42571517）以及上海市自然科学基金（24ZR1471000）的支持。长江晓|唐佳璐|冯永九|谢欢|童小华|谭心悦|金艳敏|刘世杰|叶振|黄榕|许宇航|徐雄|杨奇泉|刘思聪