MANTLE：使用模块化上行链路原理的自适应原位行星感知框架

行星表面探索任务越来越依赖能够解释复杂地形的自主机器人平台，以确保安全导航、实现有针对性的科学并提高操作效率，正如维京号和毅力号过去的火星任务所证明的那样。在关键的感知能力中，地形分类为着陆点选择和科学分析提供上下文信息，而巨石分割则支持危险评估和路径规划。本文提出了 MANTLE，一种用于地形和地貌提取的多任务自适应网络。该模型使用共享的 DINOv2 主干，通过特定于任务的头进行高级特征提取：用于大规模地形分类的分类头和用于像素级巨石定位的分割头，每个头都在分别根据 HiRISE 轨道图像和 MSL 表面级图像构建的精选数据集上进行训练。分类头在七个火星地形类别中实现了 92.56% 的测试精度，而分割头实现了 0.753 的验证 IoU，并在以前未见过的漫游车遍历的测试集上显示出强大的跨溶胶泛化能力。 MANTLE 的一个关键优势是其模块化、可扩展的设计，在这里形式化为模块化上行链路原则：只有共享的、冻结的骨干网需要保留在船上，而后续的感知能力在地球上作为轻量级任务特定头进行训练，并进行上行连接，而无需重新训练整个模型。这项工作展示了地形分类和巨石分割这两种高影响力的功能，作为为在任务生命周期内支持更多功能而构建的框架的初步实现。有了这个基础，未来的探险家不需要完全成型地到达火星，而是可以在每一次上行链路中继续学习、适应并提高能力。