L'impiego di sistemi robotici per l'esplorazione planetaria ha consentito all'uomo di estendere il proprio accesso ad aree remote del sistema solare, ottenendo un inestimabile ritorno scientifico ed alimentando ulteriormente l'interesse ad esplorare nuove aree, come le calotte polari di Marte o le lune ghiacciate. Tra i sistemi per l'esplorazione spaziale, i rover ricoprono un ruolo chiave per via della loro mobilità e capacità di svolgere in situ attività scientifiche. A causa del ritardo temporale che caratterizza l'invio e la ricezione dei segnali radio per le comunicazioni, non è possibile guidare da remoto e in tempo reale un rover. Un obiettivo scientifico fondamentale consiste quindi nel rendere i rover capaci di operare in modo autonomo, selezionando autonomamente la traiettoria da percorrere per raggiungere un certo sito di interesse indicato dal team scientifico. L'attività di ricerca proposta è incentrata sullo sviluppo di un software per la classificazione dei tipi di terreno attraverso l'analisi di immagini. Lo sviluppo del software prevede l'impiego di tecniche di intelligenza artificiale e di machine learning per allenare una rete neurale; il dataset di allenamento consiste in un campionario di immagini reali acquisite dalle camere dei rover delle missioni NASA Mars Exploration Rovers (MER), Mars Science Laboratory (MSL) e Mars2020, archiviate sul NASA Planetary Data System (PDS). Il software sarà in grado di riconoscere e classificare differenti tipi di terreno presenti nelle immagini fornite in input, fornendo così informazioni cruciali per pianificare la traiettoria del rover. L'attività di ricerca prevede inoltre la realizzazione di uno scenario di missione virtuale, in cui simulare la navigazione di un rover e testare le prestazioni di algoritmi di odometria visiva 3D-3D e 3D-2D per la ricostruzione della traiettoria.
La classificazione dei tipi di terreno attraverso l'analisi visiva di immagini è un argomento che negli ultimi anni ha acquisito un interesse crescente, come testimoniato da diversi lavori presenti in letteratura. L'impiego di algoritmi di machine learning consente una grande versatilità nella caratterizzazione della rete neurale. Ad esempio, la definizione delle immagini del "training set" deve essere effettuata sulla base dei tipi di terreno che si desidera che la rete neurale impari a riconoscere e classificare. Nell'ottica della realizzazione di un software completo di guida, navigazione e controllo (GNC) per rover esplorativi, lo sviluppo di un software per la classificazione dei terreni è un'attività di primaria importanza.
Nell'ambito della proposta di ricerca, la realizzazione di uno scenario di missione realistico ha come scopo quello di ottenere un set di immagini sintetiche che verranno processate da algoritmi di odometria visiva per la ricostruzione accurata della traiettoria del rover, e dal software di classificazione dei terreni per ottenere un indice della realisticità dello scenario di missione realizzato, che verrà rifinito sulla base dei risultati ottenuti.
In seguito si procederà quindi allo studio di strategie di "path planning" che includano sia il software di classificazione dei terreni che algoritmi di "stereo vision" per la ricostruzione 3D del territorio in prossimità del rover. Il software di GNC verrà quindi completato col blocco di navigazione per simulare il moto del rover sulla base di un accurato modello dinamico.
L'attività di ricerca proposta è quindi propedeutica allo sviluppo di un software completo di GNC e di un ambiente virtuale in cui simulare le attività di un rover in modo accurato.