如今小天体探测已经成为深空探测中的重要项目,对于发展太空经济,验证深空探测技术有重要意义。针对小天体的三维测绘工作是小天体探测工作中的重要一环。三维测绘工作针对小天体拍摄图像,传送回地面,通过建模程序建立三维模型。由于高清图像只能覆盖极小一部分小天体表面,为了建立完整的小天体三维模型,探测器需要拍摄大量高清图像,对探测器机载存储和通信链路造成压力。因此,对拍摄工作提前进行规划,在保证建模程序能够正确运行的前提下,最大限度节约拍摄资源,成为一项挑战。本文是机器学习方法在宇航任务中的首次探索。首先介绍小天体探测的过程,然后提出了由远及近的“规划-拍摄-建模-再规划-再拍摄”的测绘规划技术路线。在探测器向小天体接近过程中,利用以往构造的粗糙模型,规划下一阶段测绘观测的视线方向。提出了小天体测绘规划强化学习的奖励函数,用强化学习方法解决测绘规划问题。本文研究内容主要包括:1)针对基于光度学(Stereophotoclinometry,SPC)的小天体三维重建方法,分析了算法对于相机指向的要求,设计了奖励函数;然后将探测器的拍摄位置、拍摄方向抽象为动作;最后将过往的拍摄历史抽象为状态。结合小天体探测测绘过程的实际情况,将测绘观测规划任务的要素映射为强化学习的基本要素,建立了测绘观测强化学习的框架。为规划任务与强化学习结合做准备。2)针对小天体测绘规划强化学习中的状态-动作空间维度过大,用于决策的深度神经网络过于复杂的问题,提出了解耦合的神经网络优化方法,简化了网络复杂度,加快训练的收敛速度。论文提出的方法有效提高了小天体测绘过程中观测效率,降低了天地数据传输量。