基于全局与局部环境数据的月球微型巡视器风险感知覆盖路径规划研究学术报告
本报告旨在介绍由Shreya Santra, Kentaro Uno, Gen Kudo* 与 Kazuya Yoshida（均隶属于日本东北大学工程研究科航空航天工程系空间机器人实验室）共同完成的一项原创性研究。该研究以论文形式《Risk-Aware Coverage Path Planning for Lunar Micro-Rovers Leveraging Global and Local Environmental Data》发表于2024年6月24日至27日在卢森堡举行的国际空间机器人会议（International Conference on Space Robotics, iSpaRo），并收录于会议论文集。
一、 学术背景 本研究属于行星机器人学与自主导航领域，具体聚焦于覆盖路径规划（Coverage Path Planning, CPP）算法在月球探测任务中的应用。近年来，随着商业航天力量的崛起，月球探测任务模式正转向长期驻留与资源利用，使用多个小型、低成本巡视器进行协同勘探成为提升任务效率的新范式。然而，月球表面环境未知、地形复杂，且微型巡视器受限于传感范围（近视距，myopic sensing）与机载计算能力，传统的、依赖先验环境完整信息的CPP算法（如图形化方法或生成树覆盖法）难以直接应用。现有巡视器任务（如中国的嫦娥四号“玉兔二号”）通常采用“全局粗略规划+局部实时避障”的混合路径规划模式，但如何在高风险、未知的3D地形中实现高效、安全、完整的区域覆盖，仍是微型巡视器自主勘探面临的核心挑战。因此，本研究旨在开发一种新颖的、适用于月球微型巡视器的3D近视距覆盖路径规划算法。该算法需整合来自轨道器的全局地形数据与巡视器自身传感器的局部实时信息，进行风险感知（如坡度、能耗）的成本计算，以期在有限传感与计算资源下，实现未知环境的高覆盖率、低能耗自主探索。
二、 研究详细流程 本研究流程严谨，涵盖了算法设计、仿真验证与实地测试三大阶段。
第一阶段：算法设计与问题建模 研究首先明确了问题模型。探索区域被离散化为均匀的网格单元，每个单元具有未知、空闲、障碍物、已访问四种状态。算法的核心是一个改进的近视距路径规划（Myopic Path Planning, MPP）成本函数。传统MPP成本函数仅考虑基本运动方向和已访问惩罚，本研究创新性地引入了基于数字高程模型（Digital Elevation Model, DEM）的全局地形成本，形成了混合成本函数：MC = α(MC_static + MC_visited * V_i) + β * MC_dem。其中，MC_static是基于巡视器朝向的静态运动成本；MC_visited是对重复访问单元的惩罚项；V_i是单元访问次数；MC_dem是相邻单元间的高度差绝对值，用于反映地形坡度带来的运动难度与风险；α和β是权重系数（α+β=1）。通过调整β，可以权衡路径长度与地形风险（坡度）。算法在每个决策周期内，巡视器利用传感器（本研究选用LiDAR）感知周围八个相邻单元的状态，根据上述成本函数计算各候选单元的成本，并选择成本最低的单元作为下一个移动目标。此外，为处理移动过程中遇到的未知局部障碍，算法集成了Bug算法作为反应式避障模块，使巡视器能够沿探测到的障碍物边界绕行。
第二阶段：三维仿真环境构建与算法集成 为验证算法，研究团队在CoppeliaSim仿真器中构建了高保真的3D仿真环境。研究对象是实验室自研的微型巡视器平台“Clover”（尺寸40cm×35cm×30cm，重约7kg，配备Velodyne VLP-16 3D LiDAR）的模型。月球地形模型则基于NASA行星数据系统提供的阿波罗14号着陆区附近真实DEM数据，通过GDAL库处理和Unity 3D引擎转换后导入仿真器，形成了包含环形坑、缓坡、岩石的复杂3D场景。算法脚本在机器人操作系统（ROS1）架构下实现，与仿真器中的巡视器模型进行通信，控制其运动并接收传感器数据。同时，为了实现完全自主探索，研究集成了HDL Graph SLAM（同步定位与建图）算法。该算法能够处理LiDAR点云数据，实时估计巡视器位姿并构建环境地图，其闭环检测功能有助于减少里程计累积误差。仿真中，通过比较SLAM估计位姿与仿真器提供的真实位姿，使用平均绝对误差（MAE）来评估定位精度。
第三阶段：仿真到现实（Sim-to-Real）的户外实地测试 为了验证算法在真实世界的有效性，研究进行了户外实地测试。测试场地选在类似月球表面的粘土和沙土区域，划定了5m×5m的网格区域（单元格1m×1m），并随机放置泡沫塑料模拟岩石作为障碍物。测试流程分为三步：1) 预扫描：使用Clover巡视器上的LiDAR对测试场地进行扫描，重建3D地形点云。2) 离线路径规划：将重建的3D地形导入仿真环境，使用机载计算机运行本文算法进行路径规划，生成预期轨迹。3) 实时路径规划：在真实场地上，巡视器基于实时传感器数据运行相同的算法进行完全自主探索。巡视器的真实3D位置通过全站仪进行测量，作为评估SLAM精度的地面真值。研究通过覆盖率、定位误差（MAE）等指标来评估算法在真实环境中的性能。
三、 主要研究结果 在仿真评估方面，研究通过调整成本函数中的权重β，清晰展示了集成DEM信息的效果。当β=0（即不考虑地形成本）时，巡视器路径会直接穿越环形坑等陡峭地形，导致能耗增加和翻覆风险。当β=0.7时，巡视器路径则倾向于绕行环形坑边缘，选择了更平缓但可能更长的路径。通过量化分析，研究引入了路径长度比率（总路径长度/总单元数）和能耗模型（基于前进与转向能耗的公式）以及最大俯仰角作为风险评估指标进行权衡。结果表明，通过优化α和β参数，可以在路径长度、能量消耗和地形风险（坡度）之间取得平衡，为特定任务目标选择最优轨迹。集成Bug算法后，巡视器在仿真中能有效规避未知障碍。HDL Graph SLAM在仿真中实现了准确的地图构建与定位。
在户外实地测试方面，结果验证了算法从仿真到现实应用的可行性。在粘土土壤测试场，算法实现了80%的覆盖率，SLAM定位的MAE为0.41米；在沙土测试场，覆盖率为65%，MAE为0.32米。覆盖率差异可能与不同土壤特性导致的车轮打滑有关，这影响了巡视器的实际移动能力。图8显示的定位轨迹与地面真值对比表明，SLAM算法在平坦粘土场地上能较好地跟踪巡视器实际路径。预扫描和离线规划步骤成功搭建了仿真与现实的桥梁，导入仿真器进行规划后的轨迹在现实中得以有效执行。尽管存在因打滑和定位误差导致的个别失败案例，但整体实验证明，经过简单调整，MPP算法能够应用于真实环境。
四、 研究结论与意义 本研究成功提出并验证了一种适用于月球微型巡视器的新型风险感知3D覆盖路径规划算法。其核心贡献在于将全局DEM地形信息与局部实时传感器信息融合到一个轻量级的近视距规划框架中，使算法能够在未知、复杂的3D地形中进行风险感知（规避陡坡）的决策，从而实现高覆盖率、低能耗的自主探索。该算法不依赖于环境的先验完整知识，计算开销小，具有良好的可扩展性，可适应不同形状的巡视器和探索区域，并为未来多巡视器协同探索与高层任务规划的结合奠定了基础。
五、 研究亮点 1. 算法创新性：首创了将全球轨道器DEM数据作为成本项集成到近视距覆盖路径规划中的混合规划框架，实现了全局地形风险感知与局部实时避障的有机结合。 2. 系统集成与验证：研究不仅停留在算法设计层面，还构建了包含高保真月球地形模型、精确巡视器模型、SLAM和避障模块的完整3D仿真系统，并进行了系统的仿真到现实户外实验，验证链条完整。 3. 轻量化与实用性：算法设计充分考虑了微型巡视器传感范围有限、计算资源紧张的现实约束，提出的MPP方法相比复杂的图搜索算法更为轻便，更适合资源受限的航天应用。 4. 明确的性能权衡：通过引入可调权重参数和量化评估指标（路径长度比率、能耗、最大俯仰角），为任务规划者提供了根据任务优先级（如最大覆盖、最低能耗或最低风险）优化路径的清晰手段。
六、 其他有价值内容 研究在讨论部分指出了未来的改进方向，例如集成基于地面力学的更精细 traversability 成本模型、考虑巡视器间通信的多机器人协同探索等。这些均为后续研究提供了清晰的路线图。此外，论文详细回顾了覆盖路径规划、行星巡视器导航（如火星车、玉兔二号）的相关工作，并指出了现有方法在未知行星表面应用中的局限性，为本研究的必要性提供了充分的学术背景支撑。