域转移下的少样本取样通过模拟最大部署间隙
研究提出一种用于 Mars Sample Return 样品获取任务的自主检测和姿态估计系统，采用深度神经网络和计算机视觉技术来实现，可以有效地检测和识别样品，并提供了可靠的定位结果。
Jun, 2022
此项研究探讨了使用深度强化学习对月球上基于视觉的机械臂进行抓取操作的智能化控制，通过虚拟环境的数据训练及域随机化技术，实现零样本迁移并成功验证实际机器人在类月环境中的操作效果。
Aug, 2022
本研究提出了一种半监督学习方法，利用无监督对比预训练，实现了火星表面的多任务语义分割。实验证明使用混合域训练集可以显著提高模型在多个火星探测任务中的准确性。提供不同损失函数的加权方法可显著提高模型对于稀有类别的识别率。
Sep, 2022
本文综述了当前基于深度学习的航天器姿态估计方法，比较了混合模块化管道和直接端到端回归方法的算法，在姿态精度、网络架构和模型大小等方面进行了讨论，并探讨了用于训练和测试这些方法的现有单目航天器姿态估计数据集以及通过模拟器和实验室/空间照片生成的数据之间的差距和性能下降问题。
May, 2023
我们引入了一个系统来闭合真实环境与现有培训数据之间的“真实性”差距，同时保持标签的准确性。我们使用CycleGAN模型合成LROC和PANGU图像，结果表明这些改进了下游撞击坑分割网络的训练，与仅使用模拟的PANGU图像相比，真实LROC图像的分割性能得到提高。
Oct, 2023
火星勘测计划的主要目标之一是在该星球上寻找过去或现在的生命证据。为了实现这一目标，火星勘测一直关注可能存在液态或冰冻水的地区。本研究利用卷积神经网络检测火星表面的"大脑珊瑚"地形，该地形在形态和尺度上与地球上的排序石圈相似，暗示它可能是由于冻融周期形成的。我们使用约100-1000兆像素的火星勘测轨道器大图像以接近每像素几十厘米的分辨率（25-50厘米）搜索这些地形。在搜寻了52000多张图像（约28 TB，占火星表面的5%）后，在200多张图像中发现了这些地形。为了加快处理速度，我们在分割之前利用傅里叶域中的分类器网络（利用离散余弦变换的系数块而不是解码整个图像）利用JPEG压缩。这种混合流程方法在保持约93%的准确性的同时，总处理时间比在每个图像上以全分辨率运行分割网络削减了约95%。及时处理大数据集有助于指导任务操作、地质调查以优先考虑候选着陆点、避开危险区域或绘制特定地形的空间范围。分割遮罩和源代码已在Github上提供给社区进行探索和构建。
Nov, 2023
深度学习方法在建模机器人估计系统中的不确定性上表现出了巨大潜力，特别是当不确定性分布不符合传统的固定和高斯假设时。本研究通过三种基本的深度学习方法（参数化模型、离散化模型和生成模型）对非高斯型不确定性进行了数值建模和评估，并在模拟非高斯密度和现实世界的地形相对导航数据上系统比较了这三种方法的优缺点。结果表明，这些深度学习方法能够准确捕捉复杂的不确定性模式，彰显了它们提高估计系统可靠性和鲁棒性的潜力。
May, 2024