关于“高效月球微巡视器路径规划算法RAPF”的学术研究报告
一、 研究作者、机构与发表信息
本研究的主要作者是 Thomas Manteaux（第一作者，同时隶属于荷兰代尔夫特理工大学和瑞士洛桑联邦理工学院）、David Rodríguez-Martínez（第二作者，瑞士洛桑联邦理工学院）以及 Raj Thilak Rajan（通讯作者，荷兰代尔夫特理工大学）。本研究于2024年6月24日至27日在卢森堡举行的“2024年国际空间机器人会议”（International Conference on Space Robotics, ISPARO）上发表，并被收录于该会议的论文集中。该会议论文集由IEEE出版。
二、 研究的学术背景
本研究属于机器人学、自主导航与航天器工程交叉领域，具体聚焦于行星表面巡视器（行星车）的实时局部路径规划问题。
研究动机与背景知识： 随着商业月球探测任务的兴起，小型（<100 kg）和微型（<10 kg）月球巡视器因其低成本优势而日益重要。然而，这类巡视器面临严峻的资源约束：有限的机载计算能力、内存、电源以及受限的传感器套件。同时，月球表面环境复杂，遍布陨石坑、岩石等不规则地形，且存在通信延迟。因此，为这类资源受限的巡视器开发一种能够在未知、非结构化地形中实时、鲁棒、高效运行的路径规划算法至关重要。
传统的路径规划算法各有优劣： 1. 组合方法（如A*、D*）：能保证找到最优路径，但计算和内存开销大，不适用于需要频繁重新规划地图的动态环境。 2. 基于采样的方法（如RRT、PRM）：在高维空间中有效，但对初始配置敏感，可能需要耗时的预处理。 3. 生物启发式方法（如遗传算法、粒子群优化）：适应性强，但参数调优复杂，计算成本高，在静态环境中未必优于传统方法。 4. 人工势场法（Artificial Potential Field, APF）：计算复杂度低，能实时生成无碰撞路径，但其致命的缺陷是容易陷入局部最小值（Local Minima），导致机器人被困在非目标位置。
研究目标： 本研究旨在为荷兰代尔夫特理工大学的“Lunar Zebro (LZ)”项目（目标是部署一个不大于A4纸、重量不超过3公斤的微型步行巡视器）开发一种新的路径规划算法。该算法需要克服传统APF方法的局部最小值问题，同时保持低计算复杂度和小内存占用的特点，以适应微型巡视器的严苛硬件限制。
三、 研究的详细工作流程
本研究的工作流程主要包括四个核心部分：算法设计、仿真验证、实地测试与性能评估。
1. 算法设计：提出RAPF算法 本研究在现有先进的APF变体算法——特别是改变半径细菌人工势场算法（Changing Radii Bacteria APF, CRBAPF*）——的基础上进行改进，提出了鲁棒人工势场算法（Robust APF, RAPF）。
nb）时CRBAPF*可能产生的振荡现象，使得RAPF能够以更少的细菌点（研究中设定为nb=8）稳定运行，从而进一步降低了计算负担，实现了算法的“轻量化”。2. 仿真验证：在虚拟月球环境中测试 为了在接近真实的环境中评估算法性能，研究团队构建了一个包含岩石和陨石坑的虚拟月球表面模型。 * 环境建模：基于阿波罗、嫦娥等历史任务数据，建立了岩石和陨石坑的尺寸-频率分布模型。设定了岩石覆盖率为1.8%，陨石坑覆盖率为11%的基准环境。生成了三种不同障碍物密度的测试场景（场景A：80个障碍物；场景B：120个；场景C：161个）。 * 对比算法：将RAPF与多种算法进行对比，包括作为最优基准的A*算法、经典APF算法、旋转向量场算法（Rotated Vector Field, RVF）以及作为改进基础的CRBAPF*算法。 * 性能指标：定义了四个核心指标进行量化比较： * 可达性：成功导航至目标的试验次数占总试验次数的比例。 * 计算复杂度：算法成功规划出一条路径所需的总计算时间。 * 路径长度：机器人从起点到终点所行走的实际距离。 * 安全性：机器人在成功路径上与所有检测到障碍物的平均最小距离。 * 实验设计：在每个场景下，对每种算法进行500次蒙特卡洛模拟，每次模拟随机生成障碍物位置。
3. 实地测试：在模拟月球场地上验证 为了验证算法在真实物理系统上的表现，研究团队使用了LZ巡视器原型机进行了实地测试。 * 测试平台：测试在一个3x4米的沙地上进行，布置了岩石、陨石坑和斜坡以模拟月球地形。巡视器搭载树莓派4B作为机载计算机，使用RF标签和IMU进行融合定位，使用机载摄像头进行障碍物检测（范围0.8米，视场角62°）。 * 测试内容： * 鲁棒性测试：在两种不同的固定障碍物布局下，各进行10次测试（使用虚拟障碍物检测以排除传感器噪声），评估算法对环境变化的适应性。 * 传感器不确定性测试：在相同布局下，分别使用“虚拟障碍物检测”（完美感知）和“机载摄像头检测”（存在噪声和不确定性）各进行10次测试，评估算法对传感器误差的鲁棒性。 * 局部最小值场景测试：专门布置会导致局部最小值的障碍物格局，对比RAPF和CRBAPF*的实际表现。
4. 数据分析流程 * 仿真数据分析：对每个算法在三个场景下的四个性能指标进行统计计算（均值、中位数、四分位距等），并通过箱线图展示其分布和稳定性（如异常值情况）。特别关注可达性、规划时间和路径长度的对比。 * 实地测试数据分析：计算实际行走路径与规划路径的长度比值，并使用t检验（如Welch‘s t-test）分析不同测试组（如不同场景、不同检测模式）之间是否存在统计学上的显著差异，以证明算法的鲁棒性。同时，记录并分析机器人与障碍物的最小距离以评估安全性。
四、 研究的主要结果
1. 仿真结果分析 * 可达性：RAPF在所有三个场景中都表现出了极高的可达性（场景A：96.4%；B：93.8%；C：91.8%），显著优于其他APF类算法。与CRBAPF*相比，RAPF的可达性高出超过15%。与经典APF相比，RAPF的成功率提高了近200%（例如在场景C中，APF为30.6%，RAPF为91.8%）。A*作为基准，可达性为100%。 * 计算时间：RAPF与CRBAPF*的规划时间相近，且远低于A*（平均快6倍）和RVF（平均快2.5倍）。与经典APF相比，RAPF的计算时间降低了约50%。此外，RAPF的规划时间分布比CRBAPF*更稳定，异常值更少，这表明其随机游走技术的移除提高了算法的稳定性和一致性。 * 路径长度：RAPF规划的路径长度仅比最优的A*算法长3%至6%，远优于CRBAPF*（比A*长10-15%）和RVF（比A*长5-10%）。这表明RAPF在保持高成功率的同时，路径接近最优。 * 稳定性：RAPF在路径长度和规划时间上的数据分布（箱线图显示的中位数和四分位距）表明其性能波动小，异常值少，具有更高的鲁棒性。
2. 实地测试结果分析 * 鲁棒性验证：对不同环境布局的测试数据进行t检验，结果显示规划路径与行走路径的长度比在统计上无显著差异，证明RAPF的性能不受特定环境布局的显著影响。 * 抗不确定性能力：对比虚拟检测和机载摄像头检测的数据，t检验同样未发现显著差异。这表明RAPF能够有效处理由真实传感器引入的噪声和不确定性。值得注意的是，使用机载检测时，机器人与障碍物的平均最小距离略小（7cm vs 9cm），且变异性更大，这反映了传感器感知的不确定性，但算法依然能安全导航。 * 局部最小值处理：实地测试图像清晰显示，在相同的局部最小值场景下，CRBAPF*算法使机器人被困，而RAPF算法成功地将局部最小值标记为人工障碍物，并重新规划出一条绕过该区域、最终到达目标的路径。 * 资源消耗：在树莓派4B上，RAPF重新规划单条路径的最大时间小于0.025秒，从起点到目标的全程规划总时间小于0.2秒。内存方面，RAPF仅需存储障碍物列表和路径坐标，对于5x5米的地图，约需0.5 KB内存，远低于传统栅格地图算法（如Field D*约需10 KB）。
五、 研究的结论与价值
结论： 本研究成功提出并验证了一种适用于资源受限月球微巡视器的轻量级、鲁棒实时路径规划算法——RAPF。该算法通过引入“将局部最小值视为人工障碍物” 和“沿机器人-目标向量生成细菌点” 两项核心创新，有效解决了传统APF方法的局部最小值陷阱问题，同时大幅提升了规划效率与稳定性。
科学与应用价值： 1. 算法创新价值：RAPF为人工势场法家族提供了一个高效、稳定的新变体，其“细菌点+人工障碍物”的混合策略为解决局部最小值问题提供了一种新颖且有效的思路。 2. 工程应用价值：该算法在保持接近最优路径性能的同时，具有极低的计算复杂度和内存占用，特别适合计算能力、内存和能源都极度受限的微型航天器或嵌入式系统。它为未来低成本、高自主性的微型行星巡视器（如Lunar Zebro）提供了关键的导航解决方案。 3. 验证方法价值：研究结合了高保真度的蒙特卡洛仿真与全面的实地物理测试，为空间机器人算法的性能评估提供了严谨的范例。结果证明了算法在模拟环境和真实不确定性下的双重有效性。
六、 研究的亮点
七、 其他有价值的内容
研究中对月球表面岩石和陨石坑统计模型的引用与应用（基于Golombek等人的工作），使得仿真环境具有较高的科学保真度，增强了仿真结果对实际月球任务的可参考性。此外，论文详细分析了算法的内存占用和计算复杂度，并给出了具体的公式（如计算势值次数的公式 n_rapf = (n_b * m_s) / ρ_b）和量化对比（0.5 KB vs 10 KB），这些细节对于嵌入式系统工程师进行资源预算和评估极具价值。最后，研究团队将算法集成在基于ROS的LZ巡视器原型上并成功运行，展示了其良好的工程可实现性。