当自主导航到其目标时，地面机器人在检测和识别其周围环境和物体方面遇到了艰巨的挑战。从它的感觉输入来看，机器人的人工智能必须从语义上分割场景，如地形、植被、人造结构、碎片、水流等。然后，机载感知系统必须智能地评估并确定机器人可以安全地穿越场景的哪些部分，以达到目标。该项目的目标是开发一种新的基于视觉的感知方法，以评估自主地面车辆在自然或结构化环境中穿越时可能遇到的地形的可操作性。随着深度学习的进展带来的巨大成功，计算机视觉在物体识别任务中的表现有时超过了人类水平。然而，这些算法需要大量的类实例才能准确执行。

虽然视觉数据很丰富，但与地面导航相关的图像，尤其是有类标签的图像却很少。因此，需要一种计算机视觉算法，能够在小的训练集上有很高的性能，并且能够识别新的物体。我们建议研究基于GAN的数据增强方法和有效的场景理解方法，以解决与自主机器人在以前未见过的环境中的操纵有关的感知问题的数据稀缺性问题。预期的相关机器人操纵环境和场景通常是不寻常的，而目前的深度学习范式的数据要么稀缺，要么不存在。因此，预计基于GAN的数据增强方法可以为开发能够感知和理解新环境的陆地机器人车辆提供解决方案。