Robustez visual frente a degradaciones para exploración planetaria
DOI:
https://doi.org/10.17979/ja-cea.2026.47.13804Palabras clave:
Percepción y sensado, Robótica aérea y espacial, Navegación, programación y visión robóticaResumen
La exploración robótica espacial requiere sistemas de percepción visual fiables en entornos donde las condiciones de adquisición pueden degradar severamente la información visual disponible. Este trabajo presenta una evaluación sistemática de extractores de características visuales, clásicos y basados en modelos de aprendizaje, bajo tres degradaciones representativas de escenarios de exploración planetaria con sensado restringido: reducción de resolución espacial, cuantización radiométrica y degradación fotoelectrónica asociada a baja iluminación. La evaluación se realiza sobre secuencias de navegación en entornos planetarios y mediante métricas que incluyen la consistencia geométrica, robustez descriptiva y coste computacional. Los resultados muestran que no existe un extractor universalmente robusto, ya que el rendimiento depende estrechamente del tipo de degradación: la reducción espacial limita las correspondencias útiles, la cuantización conserva parcialmente la geometría pero reduce la discriminabilidad, y la baja iluminación afecta a la estabilidad de las correspondencias. El estudio proporciona criterios para seleccionar extractores visuales en misiones robóticas de exploración planetaria con restricciones de sensado.
Referencias
Balntas, V., Lenc, K., Vedaldi, A., Mikolajczyk, K., 2017. HPatches: A benchmark and evaluation of handcrafted and learned local descriptors. In: IEEE Conference on Computer Vision and Pattern Recognition (CVPR).
Bay, H., Tuytelaars, T., Van Gool, L., 2006. SURF: Speeded up robust features. In: Computer Vision– ECCV. Vol. 3951. pp. 404–417. DOI: 10.1007/11744023_32
Calonder, M., Lepetit, V., Strecha, C., Fua, P., 2010. BRIEF: Binary robust independent elementary features. In: Eur. Conf. Comput. Vis. Vol. 6314. pp. 778–792. DOI: 10.1007/978-3-642-15561-1_56
DeTone, D., Malisiewicz, T., Rabinovich, A., 2018. Superpoint: Self-supervised interest point detection and description. In: 2018 IEEE/CVF CVPR Workshops. pp. 337–33712. DOI: 10.1109/CVPRW.2018.00060
Dusmanu, M., Rocco, I., Pajdla, T., Pollefeys, M., Sivic, J., Torii, A., Sattler, T., 2019. D2-net: A trainable CNN for joint detection and description of local features. In: IEEE/CVF Conference on Computer Vision and Pattern Recognition. pp. 8092–8101.
Fernández Alcantarilla, P., 2011. Fast explicit diffusion for accelerated features in nonlinear scale spaces. In: IEEE TPAMI. pp. 1281–1298. DOI: 10.5244/C.27.13
Fernández Alcantarilla, P., Bartoli, A., Davison, A., 2012. KAZE features. In: European Conference on Computer Vision (ECCV). pp. 214–227. DOI: 10.1007/978-3-642-33783-3_16
Fischler, M. A., Bolles, R. C., Jun. 1981. Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography. Commun. ACM 24 (6), 381–395. DOI: 10.1145/358669.358692
Gerdes, L., Wiese, T., Castilla-Arquillo, R., Bielenberg, L., Azkarate, M., Leblond, H., Wilting, F., Cort´es, J., Bernal, A., Palanco, S., Perez-del Pulgar, C., 2024. BASEPROD: The bardenas semi-desert planetary rover dataset. Scientific Data 11, 1–15. DOI: 10.1038/s41597-024-03881-1
Gil, A., Mozos, O. M., Ballesta, M., Reinoso, O., 2010. A comparative evaluation of interest point detectors and local descriptors for visual slam. Machine Vision and Applications 21 (6), 905–920. DOI: 10.1007/s00138-009-0195-x
Karami, E., Prasad, S., Shehata, M., 2015. Image matching using SIFT, SURF, BRIEF and ORB: performance comparison for distorted images. In: Newfoundland Electrical and Computer Engineering Conference.
Khan Tareen, S. A., Raza, R. H., 2023. Potential of SIFT, SURF, KAZE, AKAZE, ORB, BRISK, AGAST, and 7 more algorithms for matching extremely variant image pairs. In: 4th International Conference on Computing, Mathematics and Engineering Technologies (iCoMET). pp. 1–6. DOI: 10.1109/iCoMET57998.2023.10099250
Leutenegger, S., Chli, M., Siegwart, R., 11 2011. BRISK: Binary robust invariant scalable keypoints. In: IEEE International Conference on Computer Vision (ICCV). pp. 2548–2555. DOI: 10.1109/ICCV.2011.6126542
Lowe, D. G., 11 2004. Distinctive image features from scale-invariant keypoints. International Journal of Computer Vision 60 (2), 91–110. DOI: 10.1023/B:VISI.0000029664.99615.94
Meyer, L., Smíšek, M., Fontan Villacampa, A., Oliva Maza, L., Medina, D., Schuster, M. J., Steidle, F., Vayugundla, M., Müller, M. G., Rebele, B., Wedler, A., Triebel, R., 2021. The madmax data set for visual-inertial rover navigation on mars. Journal of Field Robotics 38 (6), 833–853. DOI: https://doi.org/10.1002/rob.22016
Revaud, J., De Souza, C., Humenberger, M., Weinzaepfel, P., 2019. R2D2: Reliable and repeatable detector and descriptor. In: Wallach, H., Larochelle, H., Beygelzimer, A., d'Alch´e-Buc, F., Fox, E., Garnett, R. (Eds.), Advances in Neural Information Processing Systems. Vol. 32.
Rodríguez-Martínez, D., van der Meer, D., Song, J., Bera, A., Pérez-del Pulgar, C. J., Olivares-Mendez, M. A., 2026. SPICE-HL3: Single-photon, inertial, and stereo camera dataset for exploration of high-latitude lunar landscapes. Scientific Data 13 (1). DOI: 10.1038/s41597-026-06668-8
Rublee, E., Rabaud, V., Konolige, K., Bradski, G., 2011. ORB: An efficient alternative to SIFT or SURF. In: International Conference on Computer Vision. pp. 2564–2571. DOI: 10.1109/ICCV.2011.6126544
Salau, A. O., Jain, S., 2019. Feature extraction: A survey of the types, techniques, applications. In: International Conference on Signal Processing and Communication (ICSC). pp. 158–164. DOI: 10.1109/ICSC45622.2019.8938371
Scaramuzza, D., Fraundorfer, F., 12 2011. Visual odometry [tutorial]. IEEE Robot. Automat. Mag. 18, 80–92. DOI: 10.1109/MRA.2011.943233
Tareen, S. A. K., Saleem, Z., 2018. A comparative analysis of SIFT, SURF, KAZE, AKAZE, ORB, and BRISK. In: International Conference on Computing, Mathematics and Engineering Technologies (iCoMET). pp. 1–10. DOI: 10.1109/ICOMET.2018.8346440
Vayugundla, M., Steidle, F., Smisek, M., Schuster, M. J., Bussmann, K.,Wedler, A., 2018. Datasets of long range navigation experiments in a moon analogue environment on mount etna. In: ISR 2018; 50th International Symposium on Robotics. pp. 1–7.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Laura Castro-Lara, David Rodríguez-Martínez, Carlos Pérez-del-Pulgar
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
