IAC-07-A5.2.03 ROBOTIC ASSISTANCE, MOBILITY & VISION SYSTEMS – ENABLING TECHNOLOGY FOR EARLY HUMAN-ROBOTIC LUNAR EXPLORATION
Notice bibliographique
Résumé
In the 21 st Century, space exploration will focus on surface exploration, with human-robotic collaboration allowing extended-duration stays at challenging lunar and planetary sites. This paper focuses on three early phases of lunar exploration: (i) in-situ characterisation and site survey for science, prospecting and reconnaissance in advance of human sorties (ii) in-situ human sortie field assistance, and (iii) transport of samples, equipment and small-scale infrastructure. In particular two technologies relevant to these phases are examined: surface mobility and advanced vision. For surface mobility, three areas of MDA technology development are discussed: (i) rover chassis simulation and evaluation, (ii) chassis prototype construction and field testing, and (iii) autonomous rover navigation systems for localisation, motion estimation and path planning. An overview of recent activities is given, including the development of a prototype chassis in preparation for the ESA ExoMars mission, and field tests of camera- and lidar-based navigation technologies in partnership with Optech, NASA and the Canadian Space Agency (CSA). The application of vision systems for navigation, science, prospecting and site survey is discussed. The merits of camera- and lidar-based systems are summarized, along with their applicability to the Moon in rover-mounted and astronaut handheld scenarios. 1
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,006 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,004 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,126 | 0,145 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».