Deep Learning-Based Lunar Crater Terrain Relative Navigation

Resumen Técnico: Navegación Relativa al Terreno Basada en Aprendizaje Profundo para Cráteres Lunares

Planteamiento del Problema
La estimación precisa de la posición es crítica para los aterrizajes lunares autónomos, particularmente en entornos peligrosos con características de terreno dispersas donde los Sistemas de Navegación Inercial (INS) tradicionales acumulan una deriva significativa con el tiempo. Los métodos tradicionales de detección de cráteres (por ejemplo, seguimiento de bordes, coincidencia de plantillas) suelen tener dificultades ante la iluminación variable, las sombras y los detalles de la superficie. Si bien el aprendizaje profundo ha mejorado la extracción de características, el desafío sigue siendo integrar estos detectores de manera efectiva en una arquitectura de navegación completa que pueda manejar falsas asociaciones, detecciones omitidas y restricciones de geometría de medición sin depender de ayudas externas como altímetros de radar.

Metodología
El marco propuesto integra un detector de cráteres basado en aprendizaje profundo personalizado con un Filtro de Kalman Extendido (EKF) para realizar una Navegación Relativa al Terreno (TRN).

• Front-End Visual (Detección de Cráteres):

  • Arquitectura: El sistema utiliza una red de segmentación U-Net++ con un codificador ResNet50, preentrenada en ImageNet.
  • Estrategia de Entrenamiento: A diferencia de la segmentación de salida única, la red predice dos máscaras binarias complementarias: una máscara de borde de cráter y un mapa de calor del centro del cráter. Este enfoque de doble tarea codifica tanto la geometría del cráter como la ubicación del centroide.
  • Generación de Datos: Los datos de entrenamiento y prueba se generan a partir de un mosaico global de la Cámara de Ángulo Ancho (WAC) de la Lunar Reconnaissance Orbiter Camera (LROC). Se crean imágenes ortográficas sintéticas (256×256 píxeles, cobertura de 100 km) con anotaciones de cráteres de verdad fundamental (centros de elipse y radios) derivadas de un catálogo global de cráteres lunares.
  • Preprocesamiento: El pipeline incluye aumentación de datos (giros, rotaciones, CLAHE, perturbaciones de brillo/contraste) para asegurar la robustez contra variaciones en la iluminación y condiciones de visión.

• Asociación de Características:

  • Algoritmo de Dispersión por Cuadrantes: Para optimizar la Dilución de Precisión Geométrica (GDOP) y evitar la agrupación, el sistema aísla hasta cuatro marcadores fiduciarios distribuidos espacialmente por cuadro. Se definen puntos de anclaje virtuales en los cuadrantes del plano de la imagen; se selecciona la detección de la CNN más cercana a cada ancla que sea única.
  • Coincidencia: Las detecciones seleccionadas se cotejan con los cráteres del catálogo proyectados mediante una búsqueda de vecino más cercano con un umbral estricto de distancia de píxeles. Un método de eliminación de valores atípicos basado en consenso filtra las correspondencias inconsistentes antes de la actualización del EKF.

• Estimación de Estado (EKF):

  • Vector de Estado: El filtro mantiene un vector de estado estrictamente de 6 dimensiones (posición y velocidad) en el marco Lunar-Centrado Lunar-Fijo (LCLF). No aumenta el estado con puntos de referencia mapeados, lo que lo distingue de los enfoques de SLAM.
  • Dinámica: El paso de predicción utiliza un modelo cinemático de tiempo discreto que incorpora la aceleración gravitacional lunar.
  • Mediciones: El modelo de medición utiliza los centroides de los cráteres emparejados proyectados en el plano de la imagen. El sistema está diseñado como una configuración de "solo orientación" (bearing-only), confiando en características visuales e información de altitud auxiliar (simulada con ruido Gaussiano) para restringir la deriva radial.

Result Resultados Clave

• Rendimiento del Detector: Una caracterización global a través de 6,500 imágenes (que producen 80,293 coincidencias válidas) demostró un error radial medio de píxeles de 0.8163 píxeles y una desviación estándar de 0.4285 píxeles. Esto representa un límite de incertidumbre más ajustado en comparación con pipelines de TRN basados en CNN anteriores (que reportaron una desviación estándar de ~1.4 píxeles).
• Convergencia de la Navegación: En simulaciones de Monte Carlo (50 ensayos) con errores de posición inicial perturbados por 5 km y errores de velocidad por 10 m/s, el sistema demostró una convergencia rápida.
  • El filtro logró recuperarse del desfase inicial de 5 km, reduciendo el error de posición 3D medio a un piso de estado estacionario de aproximadamente 50–100 metros.
  • La estimación de velocidad se estabilizó cerca de 2.5 m/s.
  • El sistema mantuvo límites de confianza 3σ acotados durante toda la secuencia de simulación de 500 segundos sin asistencia de altímetro de radar.

Significancia y Reivindicaciones
El artículo sostiene que la contribución principal reside en la integración de un detector de alta precisión derivado de desafíos específicos dentro de una arquitectura de TRN basada en cráteres para la estimación del estado lunar. El trabajo enfatiza que:

1. La Integración es la Clave: El rendimiento del detector debe evaluarse dentro del contexto del bucle de navegación completo, donde las falsas asociaciones y la geometría de la medición impactan directamente en la estabilidad del filtro.
2. Congruencia de Distribución: Mantener la consistencia entre la distribución de entrenamiento del detector (escala de imagen, densidad de características) y el proceso de generación de imágenes en tiempo de ejecución es crucial para mantener las correspondencias de características.
3. Robustez: El enfoque de "solo orientación" propuesto, que combina la resolución visual de subpíxel con una estrategia de asociación de dispersión por cuadrantes robusta, puede recuperarse de incertidumbres iniciales de nivel de kilómetros y lograr una precisión de navegación de sub-100 metros.
4. Eficiencia Computacional: Al evitar la inflación del vector de estado típica de SLAM, la arquitectura permanece ligera y computacionalmente acotada, adecuada para futuras restricciones de hardware de vuelo.

Los autores señalan que el trabajo futuro se centrará en introducir configuraciones más representativas de los sensores (caracterización de IMU, iluminación dinámica), coincidencia impulsada por la incertidumbre y la generalización del esquema de vuelo orbital a la más compleja navegación de aterrizaje de seis grados de libertad (6-DOF).