随着地外探测任务的逐步开展,对于未知环境的探测需求日益增加,针对地外天体探测的思路和方向,正在逐渐从目的型、小范围巡视向任务型、大尺度协同演变,这无疑对地外天体巡视器系统的智能性、自主性提出了更高的要求。目前基于视觉/惯性的导航模式在火星/月球巡视任务中发挥了重要的作用,既获取了大量地表环境数据,同时保证了巡视路径上障碍物的有效检测。但是仍暴露出了一些问题,首先,基于现有的传感载荷无法对地形环境的材质、力学特征进行有效感知,使得巡视器不具备对地形软硬程度等物理属性的分类认知能力;其次,现有传感载荷易受环境变化影响,使得巡视器不具备在地外长时间开展复杂任务的能力。故本文提出了基于视/触信息的地形环境感知新思路,意在利用两种传感模式的融合,实现对所处探测环境的地形重构、地形分类识别以及语义建图,从而克服上述问题带来的危害。所取得的研究成果包括:(1)通过分析现有巡视器感知系统的组成和功能,同时结合实际探测过程中出现的故障问题,提出了基于视/触信息的地形感知方法,给出了地形感知系统的设计方案。同步推导了视觉传感单元及振动触觉传感单元的数学模型,并在实际应用环境中进行了性能测试分析。(2)在地形重构方面,提出了基于不确定分析的概率地形估计方法,用于解决在图像信息受到干扰的情况下,仅依赖于测距信息和振动信息仍可实现地形的三维重构。首先重新定义了坐标转换关系,实现了数据转换的降维处理;接着在考虑运动不确定影响的情况下,分别对测量不确定性及运动不确定性进行了分析,同步给出了基于振动/陀螺仪探测信息的地形协方差求解推导,从而得到地形更新的概率模型;最后结合无人车平台分别在月面仿真环境、室内及室外测试环境对其地形重构能力进行了测试,通过精度对比验证了该方法的有效性。(3)在地形材质感知方面,提出了基于振动触觉的地形分类识别方法,解决了对地形材质区分不精确的问题,实现了对地形种类的在线语义标签生成。首先给出了振动信息的特征表示和整体的实现流程;接着设计了三种地形分类识别学习方法,即基于改进的BPNN算法、基于多层感知机深度网络算法以及基于CNN-LSTM深度神经网络算法;最后基于实物平台及五种不同的地形环境对上述方法进行了对比测试,分别从算法、运行速度和平台三个层面分析了与地形分类精度的关系,并总结出了在给定测试环境下的最优配置。(4)在地形语义建图方面,通过结合深度学习及视觉语义建图思想,提出了基于视/触融合的地形语义感知方法,解决了巡视过程中对地形的语义理解。首先对地外天体地形语义感知问题进行了阐述,分析了目前存在的不足和难点;其次基于ORB_SLAM2、三维点云重构、语义分割设计了基于RGBD三维地形语义重构方法;再者结合基于振动信息的地形语义标签,给出了基于视/触融合的地形语义融合框架;最后分别通过ADE20K公开数据集、室内复杂环境以及走廊多材质地形进行了三维语义地形重构测试,并从重构结果、运行时间等方面验证了所提方法的正确性。