Este artículo presenta un método de segmentación basado en aprendizaje profundo bayesiano para la detección de riesgos en aterrizajes planetarios autónomos. Los métodos convencionales basados en visión artificial sufren una degradación de rendimiento a medida que aumenta el ruido del sensor. En este artículo, utilizamos aprendizaje profundo bayesiano para generar simultáneamente un mapa de predicción de seguridad y su mapa de incertidumbre. Posteriormente, proponemos un método fiable para identificar lugares de aterrizaje seguros mediante el filtrado de píxeles inciertos mediante el mapa de incertidumbre. Utilizando datos simulados del modelo digital de terreno Mars HiRISE, validamos experimentalmente el rendimiento del método propuesto bajo diversos umbrales de incertidumbre y niveles de ruido.
