Autonomous onboard traverse science system

Castaño, Rebecca; Judd, M.; Estlin, Tara; Anderson, Robert C.; Scharenbroich, Lucas; Song, Liping; Gaines, Daniel M.; Fisher, Forest; Mazzoni, Dominic; Castano, A.

doi:10.1109/aero.2004.1367601

Cited by 13 publications

(12 citation statements)

References 7 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…One of the first objectives discussed in A Renewed Spirit of Discovery: The President's Vision for U.S. Space Exploration 2 , is to "Implement a sustained and affordable human and robotic program to explore the solar system and beyond." A major component of the in-situ, robotic exploration program will include the effective utilization of rovers on planetary surfaces.…”

Section: Introductionmentioning

confidence: 99%

See 1 more Smart Citation

Current results from a rover science data analysis system

Castaño

Judd

Estlin

et al. 2005

2005 IEEE Aerospace Conference

Self Cite

View full text Add to dashboard Cite

Abstract-The Onboard Autonomous Science Investigation System (OASIS) evaluates geologic data gathered by a planetary rover. This analysis is used to prioritize the data for transmission, so that the data with the highest science value is transmitted to Earth. In addition, the onboard analysis results are used to identify science opportunities. A planning and scheduling component of the system enables the rover to take advantage of the identified science opportunity. OASIS is a NASA-funded research project that is currently being tested on the FIDO rover at JPL for use on future missions.In this paper 1 , we provide a brief overview of the OASIS system, and then describe our recent successes in integrating with and using rover hardware. OASIS currently works in a closed loop fashion with onboard control software (e.g., navigation and vision) and has the ability to autonomously perform the following sequence of steps: analyze gray scale images to find rocks, extract the properties of the rocks, identify rocks of interest, retask the rover to take additional imagery of the identified target and then allow the rover to continue on its original mission.We also describe the early 2004 ground test validation of specific OASIS components on selected Mars Exploration Rover (MER) images. These components include the rockfinding algorithm, RockIT, and the rock size feature extraction code. Our team also developed the RockIT GUI, an interface that allows users to easily visualize and modify the rock-finder results. This interface has allowed us to conduct preliminary testing and validation of the rockfinder's performance.

show abstract

Section: Introductionmentioning

confidence: 99%

“…One key capability, autonomous onboard science, continues to grow in importance as rover travel distances continue to dramatically increase. OASIS [1,2], an Onboard Autonomous Science Investigation System, is a JPLmanaged project designed to maximize mission science on rover missions with long traverses.…”

Section: Introductionmentioning

confidence: 99%

Current results from a rover science data analysis system

Castaño

Judd

Estlin

et al. 2005

2005 IEEE Aerospace Conference

Self Cite

View full text Add to dashboard Cite

show abstract

“…In particular, we have used OASIS on the FIDO prototype rover and on the ROAMS (Rover Analysis, Modeling, and Simulation) 4 high-fidelity simulated rover. In both of these deployments, OASIS analysis algorithms were used on images obtained from hazard avoidance cameras and navigation cameras.…”

Section: Rock Finder Parametersmentioning

confidence: 99%

“…The capability we focus on in this work, onboard autonomous rover science, continues to grow in importance as rover lifetime and travel distances increase. OASIS [2][3][4][5][6], an Onboard Autonomous Science Investigation System, is a JPL-managed project designed to maximize mission science on rover missions with long traverses.…”

Section: Introductionmentioning

confidence: 99%

Onboard Autonomous Rover Science

Castaño

Estlin

Gaines

et al. 2007

2007 IEEE Aerospace Conference

View full text Add to dashboard Cite

Abstract-The Onboard Autonomous Science Investigation System (OASIS) was used in the first formal demonstration of closed loop opportunistic detection and reaction during a rover traverse on the FIDO rover at NASA's Jet Propulsion Laboratory. In addition to hardware demonstrations, the system has been demonstrated and exercised in simulation using the Rover Analysis, Modeling, and Simulation (ROAMS) planetary rover simulator [1]. We discuss several system enhancements including new planning and scheduling capabilities and image prioritization. We also describe the new end-of-traverse capability that includes taking a partial panorama of images, assessing these for targets of interest, and collecting narrow angle images of selected targets. Finally, we present several methods for estimating properties of rocks and provide a comparative assessment. Understanding the relationship of these methods is important to correctly interpret autonomous rock analyses performed during a traverse.

show abstract

“…Um trabalho mais recente estuda o ajuste da medida de distância . Em outro trabalho, k-médias foi utilizado em conjunto com outras duas técnicas para DN com o objetivo de selecionar dados de maior interesse para minimizar o volume de informação a ser enviada pelo canal de comunicação e planejar os próximos comandos a serem enviados ao robô, em um cenário de exploração espacial geológica (Castaño et al, 2004).…”

Section: Técnicas De Classificação Com Uma Classe Baseadas Em Agrupamunclassified

Detecção de novidade com aplicação a fluxos contínuos de dados

Spinosa¹

View full text Add to dashboard Cite

AgradecimentosMinha gratidãoàs pessoas com as quais tive a sorte de trabalhar nesses quatro anos vai além do que as palavras podem expressar.Ao Professor André Carvalho, obrigado por ter estado sempre presente e por ter proporcionado as condições para que este trabalho pudesse ser desenvolvido. Suas idéias, sua dedicação e seu entusiasmo foram essenciais. Obrigado pelos conselhos, pela paciência, e pela generosidade em todos os momentos, e em cada um.Ao Professor João Gama, obrigado por ter aceito o convite para me co-orientar neste projeto, pela atenção durante o estágio, e pelas contribuições que tanto enriqueceram este trabalho.A Professora Carolina Monard, obrigado pelas orientações, pelos ensinamentos, e pelo privilégio da convivência.Aos professores, obrigado por compartilharem suas experiências e conhecimento. Aos colegas, obrigado pelo companheirismo. Aos funcionários do ICMC, parabéns pela competência e dedicação, qualidades que se refletem em um ambiente de trabalho produtivo e agradável.Ao CNPq eà CAPES, obrigado pelo apoio.i ii Agradecimentos ResumoNeste trabalho a detecção de novidadeé tratada como o problema de identificação de conceitos emergentes em dados que podem ser apresentados em um fluxo contínuo. Considerando a relação intrínseca entre tempo e novidade e os desafios impostos por fluxos de dados, uma nova abordagemé proposta. OLINDDA (OnLIne Novelty and Drift Detection Algorithm) vai além da classificação com uma classe e concentra-se no aprendizado contínuo não-supervisionado de novos conceitos. Tendo aprendido uma descrição inicial de um conceito normal, prossegueà análise de novos dados, tratando-os como um fluxo contínuo em que novos conceitos podem aparecer a qualquer momento. Com o uso de técnicas de agrupamento, OLINDDA pode empregar diversos critérios de validação para avaliar grupos em termos de sua coesão e representatividade. Grupos considerados válidos produzem conceitos que podem sofrer fusão, e cujo conhecimentoé continuamente incorporado. A técnicaé avaliada experimentalmente com dados artificiais e reais. O módulo de classificação com uma classeé comparado a outras técnicas de detecção de novidade, e a abordagem como um todoé analisada sob vários aspectos por meio da evolução temporal de diversas métricas. Os resultados reforçam a importância da detecção contínua de novos conceitos, assim como as dificuldades e desafios do aprendizado não-supervisionado de novos conceitos em fluxos de dados.iii iv Resumo AbstractIn this work novelty detection is treated as the problem of identifying emerging concepts in data that may be presented in a continuous flow. Considering the intrinsic relationship between time and novelty and the challenges imposed by data streams, a novel approach is proposed. OLINDDA, an OnLIne Novelty and Drift Detection Algorithm, goes beyond one-class classification and focuses on the unsupervised continuous learning of novel concepts. Having learned an initial description of a normal concept, it proceeds to the analysis of new data, treating them as a continuo...

show abstract

Autonomous onboard traverse science system

Cited by 13 publications

References 7 publications

Current results from a rover science data analysis system

Current results from a rover science data analysis system

Onboard Autonomous Rover Science

Detecção de novidade com aplicação a fluxos contínuos de dados

Contact Info

Product

Resources

About