李晨红 1,2,3闫薪如 2,3,4辛英健 1,2,3马焕臻 2,3,4[ ... ]万雄 1,2,4,*
1 中国科学院上海技术物理研究所，上海 200083
2 中国科学院上海技术物理研究所空间主动光电技术重点实验室，上海 200083
3 中国科学院大学，北京 100049
4 中国科学院大学杭州高等研究院浙江省系统健康科学重点实验室，浙江 杭州 310024
5 同济大学测绘与地理信息学院，上海 200092
激光诱导击穿光谱（LIBS）具备遥感、原位探测的特性，是深空探测识别物质元素组成及含量的重要技术。探测火星表面元素组成及其矿物分布特征是研究火星地质演化和成因的前提。在天问一号任务发射前，基于火星表面成分分析仪（MarSCoDe）开展了15个类别矿物样品的火星模拟探测实验，获取了1920条光谱数据。为验证仪器的探测性能，本文采用人工鱼群算法（AFSA）优化支持向量机（SVM）的高效分类模型（AFSA-SVM），对包括火成岩、沉积岩和金属矿物在内的32种矿物进行分类。首先，采用主成分分析（PCA）算法将原始光谱数据降维，送入AFSA-SVM训练。其次，通过AFSA来优化SVM的参数，实现了99.56%的矿物识别准确率。最后，对比AFSA-SVM模型与其他算法的识别准确率，其中随机森林（RF）算法、反向传播人工神经网络（BPANN）和K近邻（KNN）算法的准确率分别为95.60%、95.80%和90.17%，结果表明AFSA-SVM算法在辅助LIBS识别矿物种类中具有优势。
光谱学 激光诱导击穿光谱 人工鱼群算法 支持向量机 岩石识别 火星表面成分探测仪 激光与光电子学进展
2023, 60(9): 0930002
中国工程物理研究院激光聚变研究中心，四川 绵阳 621900
火星车的环境感知能力是其进行智能移动和探测的基础，而障碍物检测识别是环境感知中的一个重要方面，识别效果直接决定了火星车工作能力和安全性。本文提出一种基于激光雷达数据的火星表面障碍物自动识别方法。通过获取的激光雷达点云数据，首先在分析激光反射强度理论的基础上，通过强度补偿理论将点云强度根据距离、角度因素进行修正，进而构建激光雷达强度值与目标特征的反射关系。通过大津法自动求取全局阈值，自适应的将火星表面点云分类为障碍物点云和非障碍物点云；然后通过曲率约束剔除不符合条件的障碍物点云；最后利用基于八叉树叶节点的连通性聚类，实现火星表面障碍物点云的识别。模拟实验结果表明，该方法可实现激光雷达点云中的火星表面障碍物有效提取，典型障碍物识别精度接近90%，为基于火星车障碍物检测和环境感知相关研究提供借鉴。
