目錄
1. Introduction & Overview
本研究針對商業月球探索新時代的一個關鍵瓶頸：小型、資源受限着陸器的自主導航。本文提出一個 運動場反演框架 該框架融合來自單目相機的稀疏光流與來自激光測距儀（LRF）的深度信息，以估算着陸器下降過程中的速度（自身運動）。其核心創新在於其 輕量級、基於CPU的設計，令其適合對質量、功率同運算資源有嚴格限制嘅私人探測任務，有別於大型航天機構所用嘅較重LiDAR或複雜嘅隕石坑匹配系統。
2. Methodology & Technical Framework
2.1 Core Problem & Constraints
月球上缺乏GPS（GNSS），因此必須進行機載狀態估算。傳統嘅慣性測量單元（IMU）會隨時間產生漂移。對於ispace或Intuitive Machines等公司開發嘅小型登陸器而言，高精度系統（例如LiDAR + 視覺系統）過重且耗電量過大。該框架必須僅使用一部相機、一個輕量級LRF以及一個用於姿態測量嘅IMU，並在有限嘅CPU運算能力內，提供從軌道接近到終端下降階段嘅穩健速度估算。
2.2 運動場反演框架
核心概念係將圖像平面中特徵點嘅二維運動（光流）進行反演，以恢復相機/登陸器嘅三維速度。這需要知道或估算該啲特徵點嘅深度。該框架採用一種 最小二乘估算 根據光流向量及深度模型，求解平移速度 $(v_x, v_y, v_z)$ 及旋轉速度 $(\omega_x, \omega_y, \omega_z)$。
2.3 深度建模策略
此方法並非計算密集深度圖（計算成本高昂），而是採用由LRF參數化的月球表面幾何近似模型：
- 平面模型： 假設地面為平面。適用於著陸點附近的終段下降。
- 球體模型： 假設月球表面為球體。更適用於從軌道開始的早期接近階段。
2.4 Feature Extraction & Optical Flow
稀疏特徵通過 金字塔式 Lucas-Kanade 算法於連續圖像幀之間進行追蹤，這是一種經典、高效的光流估計方法。這種稀疏性對於在 CPU 上實現實時性能至關重要。
3. Experimental Setup & Results
3.1 Simulation Environment & Terrain
該框架使用 合成生成的月球影像進行測試，模擬了月球南極——一個因潛在水冰而成為未來任務關鍵目標的區域——所具備的極具挑戰性的光照與地形條件。這使得我們能夠在不同的下降階段及地形粗糙度下進行受控評估。
3.2 Performance Metrics & Error Analysis
結果顯示了準確的速度估算：
- 典型地形： 速度誤差約為 1%.
- 複雜/崎嶇地形（例如：南極）： 速度誤差低於 10%.
3.3 計算性能
經驗證，系統可在 與小型月球登陸器航空電子設備相容的CPU預算內運行，確認其適合進行實時、機載處理——此項工作嘅主要目標。
性能概要
速度估算準確度： ~1-10% 誤差。
關鍵感測器套件： Monocular Camera + Laser Rangefinder + IMU。
處理平台： Lightweight CPU（具實時處理能力）。
目標任務階段： 接近、下降及著陸 (ADL)。
4. Key Insights & Discussion
本文成功展示了一種務實的權衡。它放棄了密集/SfM方法或LiDAR的高精度，以換取 低SWaP（尺寸、重量與功耗）這一關鍵的使能特性。整合一個簡單的LRF來解決尺度問題，是一個聰明且具成本效益的解決方案，彌補了純粹、尺度模糊的視覺與昂貴的主動傳感器之間的差距。其在合成生成的南極地形中的表現令人鼓舞，但需要真實飛行數據（例如來自即將進行的CLPS任務的數據）進行驗證。
5. Technical Details & Mathematical Formulation
The relationship between a 3D point $\mathbf{P} = (X, Y, Z)^T$ moving with camera velocity $\mathbf{v} = (v_x, v_y, v_z)^T$ and angular velocity $\boldsymbol{\omega} = (\omega_x, \omega_y, \omega_z)^T$ and its projected 2D image motion $(\dot{u}, \dot{v})$ is given by: $$\begin{bmatrix} \dot{u} \\ \dot{v} \end{bmatrix} = \begin{bmatrix} -f/Z & 0 & u/Z & uv/f & -(f+u^2/f) & v \\ 0 & -f/Z & v/Z & f+v^2/f & -uv/f & -u \end{bmatrix} \begin{bmatrix} v_x \\ v_y \\ v_z \\ \omega_x \\ \omega_y \\ \omega_z \end{bmatrix}$$ Where $(u,v)$ are image coordinates and $f$ is focal length. The depth $Z$ is provided by the planar or spherical model using the LRF measurement. For a planar ground model with surface normal $\mathbf{n}$ and distance $d$, the depth of a point at image coordinate $(u,v)$ is $Z = d / (\mathbf{n}^T \mathbf{K}^{-1}[u, v, 1]^T)$, where $\mathbf{K}$ is the camera intrinsic matrix. Stacking equations for multiple tracked features leads to a linear least-squares problem solvable for the velocity vector.
6. Analysis Framework: Core Insight & Critique
核心見解： 這並非電腦視覺理論上的突破；而是一堂關於 受限條件下具明確目的之系統工程的大師級示範。作者採用了廣為人知的組件——Lucas-Kanade 光流、平面/球面幾何——並構建了一個直接針對新興私人月球市場之經濟與物理現實的解決方案。這是一個「足夠好」的導航系統，可能決定了一家初創公司的登陸器是墜毀還是實現軟著陸。
邏輯流程： 其邏輯令人讚賞地直接：1) 找出小型登陸器面臨的 SWaP-C（成本）瓶頸。2) 摒棄來自大型機構的複雜、笨重解決方案。3) 為月球領域調整經過驗證的無人機技術（光流自我運動估計）。4) 注入單一最關鍵的外部數據（透過 LRF 獲取尺度）以穩定解算結果。5) 在高擬真度、高風險（南極）模擬中進行驗證。從問題到實用解決方案的流程清晰且具說服力。
Strengths & 不足： 優勢： SWaP優勢無可否認，且能滿足明確的市場需求。使用合成南極地形進行驗證是一個強大且具前瞻性的選擇。其數學框架清晰透明，計算量亦較少。 不足： 顯而易見卻被迴避的問題是 simulation-to-reality transfersingle-point LRF是一個潛在的單點故障；鏡頭上的一粒塵埃都可能造成災難性後果。該方法亦假設地形大致符合平面/球面模型，這在極度崎嶇的隕石坑地形中可能失效。
可行建議： 對於任務規劃者嚟講：呢個框架應該被視為 主要或後備導航濾波器嘅核心競爭者 喺小型登陸器上。必須使用實際相機同LRF單元進行硬件在環模擬，進行嚴格測試。對於研究人員嚟講：下一步係 強化視覺組件。整合近期電腦視覺中嘅魯棒性技術——例如能夠抵禦光照變化嘅學習特徵描述符（靈感嚟自SuperPoint等作品或 International Journal of Computer Vision中討論嘅方法）——可以縮小現實差距。探索一種 多光束或掃描式LRF 為實現冗餘及更佳地形建模，此乃合理的硬件共同開發路徑。
7. Future Applications & Development Directions
即時應用： 直接應用於即將執行的小型月球登陸器上，例如NASA的CLPS計劃，或商業公司如ispace（任務2及後續任務）或Firefly Aerospace的任務。
技術演進：
- 混合學習： 整合輕量級神經網絡，以在具挑戰性的月球光照環境下提升特徵追蹤的穩健性，類似於 RAFT （用於光流嘅循環全對場變換）喺地面機械人技術中提升咗性能，但已為超低功耗太空級處理器進行改裝。
- 感測器融合升級： 透過擴展卡爾曼濾波器（EKF）或因子圖優化（例如使用GTSAM等程式庫），將框架輸出與IMU緊密耦合，以提供更流暢、修正偏移嘅姿態估計。
- 擴展領域： 該原理可直接應用於火星或小行星降落場景，呢啲場景同樣缺乏GNSS，並且對尺寸、重量和功率嘅限制同樣嚴苛。
- 標準化： 呢類演算法可以成為低成本行星導航嘅標準構建模組，就好似 NASA Vision Workbench 為大型任務提供工具。
8. References
- ISRO. Chandrayaan Mission Series. Indian Space Research Organisation.
- CNSA. Chang'e Lunar Exploration Program. China National Space Administration.
- NASA. Artemis Program. National Aeronautics and Space Administration.
- International Space Station partner agencies. Lunar Gateway Overview.
- ispace。HAKUTO-R 任務一。2023年。
- Firefly Aerospace。Blue Ghost 登陸器。
- Intuitive Machines。Nova-C 登陸器。
- Google。Lunar X Prize。
- SpaceIL。Beresheet 任務。2019年。
- Astrobotic。Peregrine 任務一。2024年。
- Lucas, B. D., & Kanade, T. (1981). An iterative image registration technique with an application to stereo vision. 第七屆國際人工智能聯合會議 (IJCAI) 論文集.
- Teed, Z., & Deng, J. (2020). RAFT: Recurrent All-Pairs Field Transforms for Optical Flow. 歐洲計算機視覺會議 (ECCV).
- DeCroix, B., & Wettergreen, D. (2019). Navigation for Planetary Descent using Optical Flow and Laser Altimetry. IEEE 航空航天會議.
- DLR。隕石坑導航 (CNAV) 技術。德國航空航天中心。
- Johnson, A., et al. (2008). Lidar-based Hazard Detection and Avoidance for the Altair Lunar Lander. AIAA 制導、導航與控制會議.