Deep learning technique applied to environment classification for space rovers path planning

The last few years have witnessed a remarkable growth of the Artificial Intelligence (AI) field. This ongoing revolution is also rapidly propagating to other planets through planetary exploration rovers missions. Robotic systems like space rovers, indeed, require an high level of autonomy due to computational constraints and harsh operative conditions. In this sense, AI promises to improve the autonomous capabilities of these robotic systems so that they can accomplish their tasks more efficiently and safely. The aim of this thesis is to propose and validate a deep learning technique to perform the environment classification for space rovers path planning capability. A trade-off analysis among the range of possibilities is carried out to choose the model proposed in this work. The use of the selected deep learning neural network allows to perform 3D point cloud semantic segmentation to directly classify each point of the 3D point-like reconstructed environment by the rover's navigation cameras. In order to train, validate and test the model an own dataset of planetary surface 3D point clouds scans is created with a 3D modeling software. The outcoming classified environment is then exploited to detect the obstacles in the surrounding and implement a grid-based path planning algorithm to find the shortest and safest path toward a specific target position.

Gli ultimi anni hanno assistito ad una notevole crescita del campo dell' Intelligenza Artificiale (AI). Questa rivoluzione in corso si sta propagando rapidamente anche su altri pianeti attraverso missioni di rover di esplorazione planetaria. Sistemi robotici come rover spaziali, infatti, richiedono un elevato livello di autonomia a causa di vincoli computazionali e condizioni operative difficili. In questo senso, l' intelligenza artificiale promette di migliorare le capacità autonome di questi sistemi robotici in modo che possano svolgere i loro compiti in modo più efficiente e sicuro. Lo scopo di questa tesi è quello di proporre e validare una tecnica di deep learning per eseguire le classificazione dell' ambiente per la capacità di pianificazione del percorso dei rover spaziali. Un’analisi di trade-off tra le varie possibilitaà viene effettuata per poter selezionare il modello utilizzato in questo lavoro. L’uso della rete neurale selezionata consente di effettuare la segmentazione semantica di nuvole di punti tridimensionali per poter classificare direttamente ogni punto dell’ambiente puntiforme ricostruito dal rover attraverso le sue camere di navigazione. Per allenare, validare e testare la rete neurale, un dataset appropriato è stato creato con un software di modellazione 3D; questo è costituito da nuvole di punti tridimensionali rappresentative di viste su superfici planetarie. L’ambiente classificato viene poi utilizzato per rilevare gli ostacoli presenti nell’ambiente circostante e implementare un algoritmo di pianificazione del percorso per trovare il cammino più corto e sicuro verso una posizione finale specifica.