计算机科学与探索

作者：李佳琪, 魏若岩, 朱晓庆, 张鹏云

单位：1. 河北经贸大学 管理科学与信息工程学院，石家庄 0500612. 北京工业大学 电子信息与控制工程学院，北京 100124

关键词：着陆小天体,障碍目标检测,地形估计,粗避障

基金：国家自然科学基金（62103009）；河北省重点研发计划（17216108）；河北省自然科学基金（F2018207038）；河北省高等教育教学改革研究与实践项目（2022GJJG178）；河北省教育厅科研项目（QN2020186）；河北经贸大学重点研究项目（ZD20230001）；引进留学人员资助项目（C20220105）。

针对外星探测任务中月球软着陆对安全性与精确性日益增长的需求，尤其是在复杂地形和通信受限环境下对探测器自主感知与决策能力的高度依赖，提出一种融合改进YOLOv11与天体地形估计的智能着陆区选取方法。在YOLOv11模型中引入小目标检测层，结合BiFPN-m特征融合结构与C3k2-SCC模块，以增强对细粒度目标和微小障碍物的检测能力，从而提升复杂环境下的识别精度。为获取远距离星体表面在飞行姿态非稳定条件下的几何结构信息，提出将SuperPoint特征提取与SuperGlue特征匹配相结合，并引入CONSAC算法进行鲁棒的多平面估计，有效重建非结构化地形特征。为实现对候选着陆区域的智能评估与优选，设计基于强化学习的区域选择策略，输出最优着陆区方案。为验证所提方法的有效性，开展了系统的对比实验与消融实验。实验结果表明，改进的YOLO模型将障碍检测精度提升至84.8%，较原始YOLOv11提高9.3个百分点；地形估计模块在多模型对比中表现出更高的高程相似度；基于强化学习的区域选择策略所选着陆区在安全性方面较其他候选区域提升12.7个百分点。研究结果表明，该方法在复杂地形条件下具备较强的感知鲁棒性与决策有效性，为未来深空任务研究提供了可靠支持。

来源：2026年第3期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2026年第3期