基于层级迭代A星-人工势场（HIA-APF）的月面巡视器路径规划方法研究报告

一、 研究团队与发表信息

本研究由北京理工大学的卢思尧、徐睿*、李兆玉、王邦、朱圣英、高艾，以及北京空间飞行器总体设计部的潘博、赵志军合作完成。通讯作者为徐睿。研究成果以论文《HIA-APF: A hierarchical based path planning method for lunar rovers on a partially observable surface》的形式，发表于学术期刊《Robotics and Autonomous Systems》第199卷（2026年），文章编号105388。

二、 学术背景与研究目标

本研究属于机器人学与自主系统领域，具体聚焦于行星表面巡视器（如月球车）的自主路径规划问题。随着国际月球科研站等计划的推进，月球车需在远离基地的崎岖地形（如采矿通道）执行长距离资源勘探与采集任务。然而，月面环境具有部分可观测性（Partially Observable）：一方面，轨道卫星提供的全局数字高程模型（Digital Elev Model, DEM）地图分辨率较低（约7米精度），不足以进行精细避障；另一方面，巡视器自身的高分辨率视觉传感器探测范围有限，仅能感知周围局部环境。这种信息的不对称性给长距离、安全的路径规划带来了巨大挑战。

现有路径规划算法在应对此挑战时各有不足：全局规划器（如A-Star算法）在低分辨率地图上生成的路径可能因细节缺失而与实际障碍物碰撞；而增量式算法（如D-Star）或在线采样算法（如在线RRT-Star）虽然能适应动态环境，但规划速度较慢，且通常依赖初始地图，在多车协同或实时性要求高的场景下性能受限。此外，基于学习的方法（如部分可观测马尔可夫决策过程POMDP）存在超参数调整复杂、稳定性不足的问题；而依赖直升机前哨侦察等方案在月球无大气环境下无法实施。

因此，本研究旨在提出一种新型的路径规划方法，以解决月球车在部分可观测、高低分辨率信息并存的复杂月面环境下的自主导航问题。核心目标是：结合全局低分辨率地图的引导优势和局部高分辨率感知的避障能力，设计一种高效、安全、资源管理优化的路径规划框架，使其既能进行长距离的粗略路径指引，又能根据实时局部观测进行精细的避障与路径调整。

三、 研究详细工作流程

本研究提出了一种名为层级迭代A星-人工势场（Hierarchical Iterative A-star–Artificial Potential Field, HIA-APF）的方法。整个研究流程包括环境建模、算法核心设计、实验验证三个主要部分。

1. 环境建模与问题定义 研究首先对月球环境进行了抽象和建模，以支持算法开发和仿真测试。 * 环境构成：模拟了两种典型区域：平坦的月球基地区域和崎岖的采矿通道区域。障碍物被分为两类：小型障碍物（如小石块、缓坡，可穿越但会增加资源消耗）和大型障碍物（如高山、深谷，不可穿越且需保持安全距离）。 * 地图表示：环境被离散化为网格地图。巡视器可在8个方向上移动（水平、垂直、对角线）。 * 视觉模型：定义了巡视器的有限视野，为一个以巡视器为中心的正方形区域。视野范围外的地形信息未知，仅知道最终目标点的位置。这模拟了部分可观测性。 * 问题形式化：路径规划问题被定义为在满足总资源（电池能量）消耗(b{all})和时间消耗(t{all})约束的前提下，寻找一条从起点到终点的无碰撞路径，并最小化加权总成本 ( \alpha b{all} + \beta t{all} + |a{all}| )（其中(|a{all}|)为路径长度相关的项）。资源与时间消耗根据巡视器所处的网格类型（正常地形、小型山丘、小型陨石坑）而不同。 * 层级视觉生成：为了模拟真实任务中高低分辨率信息并存的情况，研究设计了一种从高分辨率局部地图生成低分辨率全局地图的方法。通过一个缩放因子(s)和一个障碍物阈值(s_0)，将高分辨率地图下采样为二值化的低分辨率地图（1代表障碍，0代表可通行区域），供高层规划使用。

2. HIA-APF算法核心设计 HIA-APF算法是一个双层框架，结合了高层全局引导和低层局部精细规划。 * 低层规划：改进的A-Star算法与人工势场（APF）融合 * 人工势场构造：针对部分可观测环境的特点，设计了两种人工势场。 1. 视野内障碍物势场：用于局部避障。对大型障碍物施加强但作用距离短的排斥力场（(\hbar_l)），确保安全距离；对小型障碍物施加弱但作用距离稍长的排斥力场（(\hbars)），在路径长度和资源消耗之间进行权衡。小型障碍物势场的权重系数(\alpha)可根据当前视野内障碍物密度动态调整（灵感来源于Softmax函数），当大型障碍物密集时降低(\alpha)以优先保证通行性。 2. 视野边缘目标选择势场：用于在视野边界上选择安全的中继目标点。仅考虑大型障碍物在视野边缘产生的排斥力场（(\hbar{eg})），其强度和范围均大于视野内势场，以预留安全余量应对视野外可能存在的障碍。 * 改进的A-Star搜索：将上述人工势场整合到A-Star算法的启发函数(h(n))中。当探索点不在视野边缘时，启发函数包含到目标的八方向距离估计以及视野内障碍物势场的影响；当探索点位于视野边缘时，则主要受边缘目标选择势场的影响。这种设计使得A-Star在搜索路径时，不仅考虑几何距离，还主动规避障碍物并倾向于选择更安全的边缘点作为临时目标。 * 迭代规划与安全截断：由于目标点可能在视野外，标准A-Star无法一次规划完成。因此，算法采用迭代方式：每次在当前视野内运行改进的A-Star，规划一条到达视野边界的路径。但为了安全，巡视器并不执行整条路径，而是只执行路径的前(C_N)分之一（安全计数机制），然后移动到新位置，更新视野，清除过时的搜索信息，并基于新的感知重新规划。这个过程循环直至目标进入视野。

• 高层规划：基于低分辨率地图的中间目标选择

  • 在月球基地等相对开阔区域，算法利用低分辨率全局地图（来自卫星DEM）进行高层引导。首先，使用标准A-Star在低分辨率地图上规划一条从起点到通道区域连接点的粗略路径。
  • 将粗略路径上的每个点映射回高分辨率地图，作为一系列中间目标点。若映射点位于障碍物上或太靠近障碍物，则在其周围搜索一个安全的替代点。
  • 低层规划器（改进的A-Star with APF）则依次以这些中间目标点为导向，在有限的高分辨率视野内进行局部路径规划和执行。这种层级结合利用了全局信息的导向性，避免了在开阔区域因视野有限而可能产生的迂回。

• 整体框架整合

  • 在通道区域，由于障碍密集，低分辨率地图可能无法提供可行路径，因此HIA-APF框架在通道区域仅使用低层规划器，依赖局部高分辨率观测进行“摸索式”前进。
  • 整个HIA-APF方法的流程可概括为：在基地区域，采用“低分辨率全局路径 -> 分解为中间目标 -> 低分辨率局部迭代规划”的层级模式；进入通道区域后，切换为纯“有限视野局部迭代规划”模式，直至到达最终目标。

3. 实验设计与验证 研究通过大量仿真实验验证HIA-APF算法的性能。 * 实验设置：构建了50张不同的月球基地与通道组合地图。定义了路径长度、资源消耗、时间消耗、转弯次数、平滑转弯（转角小于90度）次数、靠近大型障碍物的次数等多个评价指标。将HIA-APF与A-Star（全局高分辨率视野，作为性能上限参考）、D-Star、在线RRT-Star等算法进行对比。此外，还设置了对比实验：1) 全程使用层级规划；2) 仅使用有限视野规划（APF A-Star，无低分辨率地图引导）。最后，在从真实月球DEM数据（Faustini Rim A区域）转换而来的地图上进行了测试。 * 参数设置：实验详细列出了所有参数，包括环境尺寸、障碍物密度、移动成本系数（正常地形、小型山丘、小型陨石坑）、人工势场的增益与有效距离等，确保了实验的可重复性。

四、 主要研究结果

实验结果表明，HIA-APF方法在部分可观测环境下综合性能优异。

1. 与全局及增量式算法的对比：

   • 路径质量与安全性：HIA-APF生成的路径在安全性（靠近大型障碍物的次数）上显著优于A-Star、D-Star和在线RRT-Star。虽然其路径长度略长于A-Star（后者拥有全局完美信息），但优于在线RRT-Star，与D-Star相当。在路径平滑度方面，HIA-APF的转弯次数虽多于A-Star，但其平滑转弯比例超过80%，高于D-Star和在线RRT-Star，意味着路径更易于执行。
   • 资源与时间消耗：在资源消耗上，HIA-APF表现最佳，因为它通过APF权衡了穿越小型障碍物的成本，有时会选择绕行以节省资源。时间消耗略高于A-Star和D-Star，但优于在线RRT-Star。
   • 响应速度：关键优势在于响应时间。在每次视野更新后重新规划时，HIA-APF的响应时间始终低于20毫秒，而D-Star可达1秒，在线RRT-Star也随规划次数线性增长至800毫秒以上。这证明了HIA-APF对动态环境的高适应性。

2. 层级策略有效性验证：

   • 与“仅有限视野规划（APF A-Star）”相比，HIA-APF（仅在基地区域使用低分辨率引导）在路径安全性、平滑度上具有明显优势，虽然在路径长度和消耗上略有增加，但权衡之下更为可取。
   • 与“全程使用层级规划（AllHier）”的对比证明，在障碍密集的通道区域强行使用低分辨率地图引导会导致路径质量下降甚至规划失败，从而验证了HIA-APF框架中在通道区域仅使用低层规划这一设计的合理性与必要性。

3. 在真实月球DEM上的测试：

   • 在从真实月球南极附近地形转换而来的地图上测试，HIA-APF生成的路径在资源、时间、长度等指标上与拥有全局信息的A-Star非常接近，且安全性（靠近大型障碍物次数仅为5次）远优于A-Star（214次）、D-Star（87次）和在线RRT-Star（184次）。同时，其计算时间（0.67秒）远低于D-Star（11867秒）和在线RRT-Star（402秒），展示了其在真实场景下的有效性和高效性。

4. 参数敏感性分析：

   • 研究还测试了关键参数（如小型障碍物势场有效距离(Ds)、边缘势场增益(K{eg})、大型障碍物势场增益(K_l)等）的影响。结果表明：增大(Ds)会降低优化效率；减小(K{eg})会缩短路径但增加风险；减小(K_l)会略微减少消耗但显著增加危险性；过度增大(K_l)和(D_l)虽能提升安全性但会严重牺牲路径效率。这为算法在实际应用中的参数调优提供了指导。

五、 研究结论与价值

本研究成功提出并验证了HIA-APF这一面向部分可观测月面环境的层级路径规划方法。其科学价值在于创新性地将全局低分辨率引导与局部高分辨率避障通过迭代机制相结合，并设计了针对不同尺度障碍物的自适应人工势场以及基于视野边缘势场的中间目标选择策略，为解决“高低分辨率信息融合”和“有限视野下的长距离规划”这一经典难题提供了一种有效框架。应用价值尤为突出，该方法能够使月球车在仅拥有粗糙全局地图和有限局部感知的条件下，自主规划出安全、平滑、兼顾资源效率的路径，响应速度快，非常适合未来月球科研站建设、资源勘探等任务中对巡视器自主性的高要求。研究明确指出了该方法优于传统D-Star、在线RRT-Star等算法在响应速度和安全性方面的特点，并且其性能接近拥有全局信息的A-Star这一理想情况，具备很高的工程应用潜力。

六、 研究亮点

1. 问题导向的创新框架：针对月球探索中特有的“卫星低分辨率全局图+巡视器高分辨率局部视野”这一部分可观测场景，提出了层级迭代规划框架（HIA-APF），清晰划分了基地区域（层级规划）和崎岖通道区域（纯局部规划）的不同策略，贴合实际任务需求。
2. 融合改进的算法设计：将人工势场（APF）巧妙嵌入A-Star的启发函数，使搜索过程兼具目标导向性和障碍物排斥性。提出的视野内双尺度势场和视野边缘目标选择势场，分别解决了局部避障权衡和前瞻性安全目标选择问题。
3. 高效的迭代与截断机制：通过“规划到视野边界 -> 安全部分执行 -> 更新视野 -> 清除历史信息重新规划”的迭代循环，以及安全计数（(C_N)）截断机制，在保证安全性的前提下实现了高效的在线重规划，响应速度远超D-Star等传统增量算法。
4. 全面的实验验证：不仅进行了大量随机生成环境的统计对比，还在真实月球DEM数据上进行了测试，充分证明了算法的有效性、优越性和实用性。详尽的参数敏感性分析也为算法部署提供了参考。

七、 其他有价值内容

研究在讨论部分坦诚地指出了HIA-APF方法的局限性和未来工作方向： 1. 局限性：包括低分辨率地图中障碍物过于密集导致高层无解；可能陷入死胡同需要回溯；大型障碍物簇间狭窄可行通道可能因势场而被视为不安全；参数设置过于保守可能导致路径冗长甚至失败。 2. 未来工作：包括考虑传感器噪声和环境不确定性对地图和定位的影响；将单车规划框架扩展至多智能体系统，通过将其他智能体视为动态障碍物来实现协同规划。

这些内容体现了研究的严谨性和对实际应用挑战的深入思考，为后续研究指明了方向。