惑星探査ローバの経路計画のための地形データセットとベンチマーク

- 惑星探査ローバーの path planning 研究向けに、標準化されたデータセット・ベンチマーク・評価プロトコルを整備する取り組み - 火星と月の高解像度 digital terrain images から構築した初の大規模 planar benchmark datasets、MarsPlanBench と MoonPlanBench を提案 - classical と learned の path planning algorithms を unified framework 上で構築し、提案データセットと既存の planning benchmark で評価 - code と datasets は https://github.com/mchancan/PlanetaryPathBench で公開予定

- 過去の惑星ミッション由来のデータは path planning や autonomous navigation 研究であまり活用されておらず、space mission-based の planetary datasets・standardized benchmarks・evaluation protocols が不足していた - 著者の知る限り、惑星地形に特化した大規模 planar benchmark datasets は初 - 従来は個別に評価されがちだった classical と learned の algorithms を unified framework で同一条件比較した点が新しい - 惑星地形上での代表的な path planning algorithms の性能に関する新たな知見を初めて報告

- Mars と Moon の高解像度 digital terrain images を基に、大規模 planar benchmark datasets（MarsPlanBench, MoonPlanBench）を構築 - classical および learned の path planning algorithms を unified framework に実装し、共通の評価基盤を用意 - 提案 datasets と既存の popular planning benchmark の両方で評価する実験プロトコルを設計 - 具体的なアルゴリズム名やデータ構築の詳細手順は要旨からは不明

- MarsPlanBench・MoonPlanBench・既存の popular planning benchmark 上で comprehensive experiments を実施 - classical algorithms は Moon の north/south poles など challenging terrains でも平均で最大 100% の global path planning success rates を達成 - learning-based models は less complex environments では有望だが、planetary domains への generalization に依然課題があることを示した - これらの結果から NASA が classical algorithms を実務で用いる理由を裏付ける示唆を得たと報告

- classical algorithms の高い成功率は実務利用（NASA）の妥当性を示唆する一方、learning-based models の planetary domains への generalization 困難が議論の焦点 - 惑星探査向けの datasets・benchmarks・evaluation protocols の標準化を推進する起点として位置づけ - 具体的な限界や今後の課題の詳細は要旨からは不明

- 本論文が提案する MarsPlanBench / MoonPlanBench と評価フレームワーク（https://github.com/mchancan/PlanetaryPathBench） - 比較対象として用いられた classical path planning algorithms（例: A*, Dijkstra など一般名） - learning-based path planning 手法（例: learning-based planners 全般） - 既存の popular planning benchmark（名称は要旨からは不明） - 惑星地形の digital terrain images を用いた autonomous navigation 関連研究