CraterSense：基于结构感知稀疏Transformer的高效鲁棒月球陨石坑定位系统

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：CraterSense: Efficient and Robust Crater-Based Lunar Localization System With Structure-Aware Sparse Transformer

本文针对月球探测器在"迷失太空"场景下无先验位姿信息时，传统几何匹配方法对检测噪声敏感且计算量大的问题，提出了一种轻量级鲁棒的CraterSense定位系统。该系统通过将陨石坑布局抽象为稀疏结构图像，并引入CATSformer分类器，将陨石坑识别重构为分类任务。实验表明，该系统在典型月球区域达到98.2%识别准确率，具备强鲁棒性和低延迟特性，为行星任务提供了无需先验位姿的高精度自主导航解决方案。

　　

随着月球表面探测能力的持续提升，对自主、可靠、高精度导航的需求变得日益关键。传统惯性导航系统虽在短期运动估计中不可或缺，但会随时间产生累积漂移。与之相比，基于视觉的自主导航作为补充方案，能提供更高的全局精度，并为惯性导航提供外部参考更新。在各类自然路标中，撞击坑因其几何稳定性、空间分布密度和全球数据库可用性等优势，成为视觉导航的理想特征。然而，传统陨石坑识别方法面临三大挑战：对检测噪声高度敏感、陨石坑尺寸分布差异大且空间分布稀疏不规则、实时部署对计算资源有严格限制。

针对这些难题，北京控制工程研究所的研究团队在《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》上发表了CraterSense系统。该系统创新性地将陨石坑检测与识别模块集成，通过将陨石坑布局抽象为仅编码中心位置和直径的稀疏结构图像，将识别任务重构为分类问题，摆脱了对先验位姿信息的依赖。

研究人员采用了几项关键技术：首先构建了稀疏结构图像表示方法，以中心陨石坑为基准生成标准化输入；其次开发了CATSformer分类器，结合卷积嵌入、令牌选择、中心注意力和结构位置编码等机制；同时改进了CenterNet检测器，增加双尺度检测头提升大陨石坑召回率；还采用知识蒸馏技术压缩模型；最后通过多扰动数据增强策略提升系统鲁棒性。

陨石坑检测网络性能

实验比较了Faster R-CNN、YOLOv11-1、RT-DETR和CenterNet等检测器，结果显示BSD增强的CenterNet在NavArea1和NavArea2区域分别达到87.99%和86.35%的F1分数，显著提升了大陨石坑的检测召回率。双尺度检测头有效缓解了陨石坑重叠时的热图干扰问题。

陨石坑识别网络架构比较

CATSformer在测试集D_test1和D_test2上分别达到98.2%和97.6%的识别准确率，较基线CS-ViT提升3.2个百分点，计算量降低42.3%。令牌选择机制过滤了80%的背景令牌，中心注意力将有效注意力区域限制在k×k中心令牌内，结构位置编码显式捕获了陨石坑间的几何关系。

系统级定位评估

在基于LOLA DEM生成的合成月球图像测试中，CraterSense在NavArea1和NavArea2分别实现95.00%和96.00%的定位成功率。即使存在检测误差，识别网络仍能保持稳定性能，验证了数据增强策略的有效性。

研究结果表明，CraterSense通过结构感知的稀疏Transformer架构，成功解决了传统陨石坑定位方法在迷失太空场景下的局限性。该系统在不依赖先验位姿的情况下实现了高精度陨石坑识别，对位置偏差、直径变化、误检漏检等噪声表现出强鲁棒性，且满足实时部署的低延迟要求。这一创新为未来深空探测任务提供了可靠的视觉导航解决方案，推动了行星表面自主导航技术的发展。