地外天体探测是空间科学与技术创新的重要途径，是当前和未来航天领域的发展重点之一.地外天体表面巡视探测是拓展探测广度和深度的有效途径.未来月球、火星探测任务对表面探测范围和探测效率的需求明显提高，探测范围从公里级扩展到百公里级以上，移动时速从百米级提高到公里级以上，要求地外巡视探测器具有更强的地外环境适应能力和探测效率.决定地外巡视探测能力的关键因素之一是自主环境感知与操控能力，本文面向我国未来深空探测重大工程任务需求，对地外巡视探测无人系统的自主感知与操控技术发展现状及趋势进行总结分析.

地外探测无人系统具有存储、算力和能量等资源受限的特点.以深度学习为基础的感知、定位和决策算法可有效提升无人系统的智能化水平，而这类算法通常需要高算力，难以直接应用于地外探测无人系统.首先针对剪枝和量化的深度神经网络模型轻量化方法，在公开数据集上对多种算法进行定量分析.其次，提出基于剪枝、量化的轻量化计算方案，实现了基于模块化配置的轻量化计算软件StarLight，对深度神经网络进行快速轻量化和性能评估，解决了模型难以直接应用到计算资源受限系统的问题.最后，基于StarLight，对应用于火星车实验系统中的多种任务模型进行轻量化，在计算功耗≤15 W、计算处理主频≤1.2 GHz和计算存储容量≤1TB的受限资源条件下，实现了深度神经网络模型部署.实验表明，该软件能够满足计算资源受限系统的深度神经网络模型轻量化需求，为进一步提升地外探测无人系统的智能化水平奠定了基础.

地外探测对多传感器数据同步采集有极高需求，针对地外环境无法接收到全球定位系统(GPS)信号的问题，提出一种面向无GPS授时的多传感器硬件时间同步方法.以嵌入式单片机系统(MCU)为核心设计高精度时间同步硬件框架，综合运用模拟GPS授时、秒脉冲(PPS)校时和脉冲触发结合的方法，分别对多路相机、惯性测量单元(IMU)和激光雷达进行数据采集同步，在上位机实现时间戳和数据的精确匹配.并搭建硬件平台，设计验证方案，实验测试同步误差.实验结果表明，该时间同步方法可实现传感器数据同步采集，同步精度约2 ms.相比现有地外探测设备，同步精度显著提高，对下一代地外探测设备数据同步采集、实现自主导航与避障有一定借鉴意义.

目标检测技术广泛应用于交通、医疗、安保和航天等领域.目前,目标检测技术面临目标微弱、背景复杂、目标被遮挡等挑战.针对星表非结构化模拟地形采集的图像中岩石和石块小目标检测识别率低、误识别率高的问题，研究了当下效果最好、模型轻量化的YOLOv5目标检测算法，在其基础上进行改进优化器与优化检测框重复检测效果的一种满足实时性要求的岩石目标检测算法.具体通过引入空标签负样本、结合随机梯度下降法SGD(stochastic gradient descent)优化模型和非极大值抑制参数调节方法，提升YOLOv5网络模型的特征描述能力和分类准确率.利用在地面试验场采集的复杂地形图像作为数据集，并采用mAP(mean average precision)、画面每秒传输帧数(FPS)、准确率和召回（PR）曲线等作为性能指标，对所提出的目标检测网络进行了试验验证.结果表明本文提出的改进网络拥有更高的准确率和更低的虚警率，同时保持原有算法的实时性.

针对火星局部地表形貌原始自然、色彩单一和纹理相似度高难以实现双目精确定位的问题，提出一种融合深度信息的火星局部地表图像立体匹配方法.利用空间金字塔特征提取模块聚合不同尺度和位置的上下文信息，然后通过分层立体匹配架构构建多尺度的匹配代价卷，用条件代价卷归一化代替批量归一化层，在立体匹配网络的代价正则化阶段以深度信息为条件调制匹配代价卷特征，从而降低计算量，提升推理速度，并生成高精度的视差图.最终利用感兴趣目标的视差值并结合相机的基线参数，得到目标点在指定坐标系下的三维坐标从而实现定位任务.在火星模拟场数据集上的视差图达到了三像素误差小于0.017%，通过与GCNet+CCVNorm等方法的结果进行比较，表明所提出方法在火星局部地表下的优势.

精确的位姿估计以及对周围环境中的障碍物的实时感知，是探测器在火星表面进行自主漫游的基础.然而，火星探测器受到自身质量、体积和能源供应等因素的影响，计算资源和设备功率受到严格限制，这给感知系统的设计与实现提出了挑战.本文针对火星探测器计算资源严重受限的问题，设计了一种基于视觉惯性多传感器滤波融合的智能感知系统，其主要包括两个模块：1)基于多状态约束卡尔曼滤波MSCKF(multi state constrained Kalman filter)算法的视觉惯性里程估计模块，实现了相对误差小于1.5%的较高定位精度；2)使用GPU加速的高程地图构建算法，实现了稠密地形图的实时构建.其中，高程地图与机器人位姿采用概率最优的方式进行融合，保证了感知系统整体的概率一致性.相比于现有感知系统，本文所提出的方法可以仅使用双目视觉和IMU实现机器人的位姿估计和周围环境高程地图的构建，并通过合理的算法设计、GPU硬件加速等方法，最终整套系统在30W 板载系统上实现了位姿估计输出频率400Hz、地图输出频率4.2Hz的实时运行效果，充分验证了本系统的轻量化特性，能够有效应用于火星车的自主探测任务.

三维装箱问题是指在满足容积限制、稳定性限制等条件下，将一定数量的物体放入较大容量的箱子中并使空间利用率最大的组合优化问题.三维装箱问题是典型的NP完全问题，通常采用启发式算法规划物体放置的位姿.在使用机器人完成装箱任务时，还要额外考虑机器人操作限制，如机械臂或末端执行器与物体或箱子之间的碰撞、机械臂运动轨迹的规划等，使得部分最优位姿不可行，只能将物体从更高处落下或者将物体放在最优位姿的附近.机器人在抓取、识别和放置时的不确定性也会导致最终放置位置与规划产生偏差.因此，本文提出基于深度强化学习的机器人三维装箱推拨优化方法，以最小化包装箱中物体放置位置的启发式算法分数为目标，通过推拨动作对于已放置的物体位置进行调整、归集，将物体朝角落中压缩，以腾出更多空间，提高装箱空间利用率，减小由于机器人操作不确定性对装箱结果的影响.

在火星探测任务中，为确保火星车能够获取大范围的地表信息，火星车携带的无人机群需要能够有效覆盖指定区域.本文提出的算法以最大化覆盖区域面积为目标，综合考虑覆盖过程中无人机群通信网络的保持以及能量的高效利用，基于强化学习设计多智能体分布式控制算法完成协同覆盖任务.算法采用CRITIC参数共享机制以及图神经网络，解决模型训练中状态输入的排列不一致问题并且提高模型训练效率.仿真结果表明，本文所提出算法在无人机群覆盖范围、能量消耗和连通性保持等方面，效果优于常见的基线方法.

对抗生成网络的发展为图像生成等传统领域带来了很大进步，通过使用较少样本训练对抗生成网络，可以学习到特定图像类别的特征，进而能够增广样本应用于场景测试、其他网络训练等多种任务.本工作探索了在较少量的火星训练样本的基础上，针对直接使用GAN生成样本存在特征因平均化而不明显且类别较少的模式崩塌问题，基于渐进增长对抗生成网络，提出了一种聚类训练生成协同的火星样本生成方法.实验结果表明，与直接利用渐进增长对抗生成网络的基线方法相比，本工作生成效果得到了提升.

火星地表环境可视化仿真对于火星探测方案的演示以及验证具有非常重要的意义.本文针对火星地表数字环境建模的需求，根据真实火星场景数据，基于虚幻引擎4(UE4)数字仿真软件，设计并构建了火星地表环境的三维视景模型.设计的仿真模型不仅包含沙坡、沙坑、山丘等多种地形，还加入了光照、沙尘等条件，使得模型更为贴近真实火星环境，满足视觉效果以及真实性要求.