輪腿式星球車，具有多構(gòu)型運(yùn)動(dòng)能力，有效繼承了傳統(tǒng)星球車輪式構(gòu)型的移動(dòng)速度、能量消耗、負(fù)載能力優(yōu)勢(shì)，同時(shí)具備腿式構(gòu)型的地形適應(yīng)性和運(yùn)動(dòng)靈活性。也因此，多自由度輪腿混合式主動(dòng)懸架星球探測(cè)車近年來逐漸成為各個(gè)國(guó)家和實(shí)驗(yàn)室的研究焦點(diǎn)。

然而，輪腿式星球車的高機(jī)動(dòng)性在帶來優(yōu)勢(shì)的同時(shí)，也帶來了新的問題。它使得規(guī)劃算法的復(fù)雜程度大幅增加，特別是在密集障礙環(huán)境中，規(guī)劃算法需要綜合考慮機(jī)器人的幾何特征、運(yùn)動(dòng)能力以及與環(huán)境交互的特征。這對(duì)傳統(tǒng)的路徑規(guī)劃方法而言，無疑是一項(xiàng)嚴(yán)峻的挑戰(zhàn)。

▍提出新思路，融合馬爾可夫決策模型與GF集理論

針對(duì)上述難題，上海交通大學(xué)何俊教授研究團(tuán)隊(duì)進(jìn)行了深入研究，并提出了基于擴(kuò)展馬爾可夫決策過程的路徑規(guī)劃方法。該研究創(chuàng)新性地融合了GF集理論與構(gòu)態(tài)拓?fù)淅碚摚ㄟ^構(gòu)建離線運(yùn)動(dòng)規(guī)劃庫(kù)以量化不同動(dòng)作特征的能量消耗與風(fēng)險(xiǎn)；引入“足端運(yùn)動(dòng)相關(guān)節(jié)點(diǎn)”描述機(jī)器人與環(huán)境的交互關(guān)系；同時(shí)擴(kuò)展傳統(tǒng)馬爾可夫模型至二階性質(zhì)，以解決路徑轉(zhuǎn)向時(shí)的碰撞問題。此外，研究團(tuán)隊(duì)還提出信息引導(dǎo)的值迭代算法，結(jié)合四叉樹地圖的分層存儲(chǔ)特性，僅在與目標(biāo)點(diǎn)強(qiáng)相關(guān)的方向上進(jìn)行深度搜索與迭代，顯著降低計(jì)算復(fù)雜度。

實(shí)驗(yàn)結(jié)果表明，該方法在非均勻地圖中能夠高效求解最優(yōu)路徑。在TAWL輪腿式探測(cè)車上，研究團(tuán)隊(duì)也驗(yàn)證了其魯棒性。通過這種離線與在線規(guī)劃協(xié)同的方法，實(shí)現(xiàn)了非結(jié)構(gòu)化密集環(huán)境下平衡能耗與風(fēng)險(xiǎn)的最優(yōu)路徑生成，計(jì)算效率較傳統(tǒng)算法提升顯著，為高維機(jī)器人系統(tǒng)的自主導(dǎo)航提供了新思路。

前不久，該研究成果已以《Probabilistic Path Planning for Wheel-Legged Rover in Dense Environment Based on Extended MDP and Configuration Topology Analysis》為題發(fā)表于《IEEETransactionsonRobotics》期刊。上海交通大學(xué)為通訊單位，何俊教授為通訊作者；朱碧珂博士為第一作者，現(xiàn)為南方科技大學(xué)博士后；共同作者包括上海交通大學(xué)高峰教授和袁致成博士生。

▍基于擴(kuò)展馬爾可夫決策過程的路徑規(guī)劃方法

圍繞高維多末端輪腿式機(jī)器人，研究團(tuán)隊(duì)展開系統(tǒng)性技術(shù)研究，從運(yùn)動(dòng)特征表達(dá)、能耗風(fēng)險(xiǎn)分析、路徑規(guī)劃等多個(gè)維度進(jìn)行技術(shù)突破。

• 基于GF集與構(gòu)態(tài)拓?fù)涞母呔S多末端輪腿式機(jī)器人運(yùn)動(dòng)特征表達(dá)

在運(yùn)動(dòng)特征表達(dá)方面，鑒于輪腿式機(jī)器人多構(gòu)型、運(yùn)動(dòng)特征復(fù)雜的特性，研究團(tuán)隊(duì)基于GF集與構(gòu)態(tài)拓?fù)洌瑢?duì)高維多末端輪腿式機(jī)器人的運(yùn)動(dòng)特征進(jìn)行描述，如圖所示。具體而言，機(jī)器人能夠根據(jù)所處環(huán)境的約束條件，生成連續(xù)且合理的步態(tài)，這一步態(tài)通過構(gòu)態(tài)拓?fù)湫蛄羞M(jìn)行精確描述；同時(shí)，生成符合期望的足端運(yùn)動(dòng)特征，該特征由GF集進(jìn)行清晰表示。在此基礎(chǔ)上，結(jié)合樣條曲線與運(yùn)動(dòng)約束條件，以能耗最優(yōu)為核心目標(biāo)，生成精準(zhǔn)的足端運(yùn)動(dòng)軌跡，最終確保規(guī)劃動(dòng)作得以高效執(zhí)行。

• 運(yùn)動(dòng)特征的能耗與風(fēng)險(xiǎn)量化分析

在成功實(shí)現(xiàn)對(duì)連續(xù)動(dòng)作的數(shù)學(xué)表達(dá)之后，研究團(tuán)隊(duì)進(jìn)一步構(gòu)建了系統(tǒng)動(dòng)力學(xué)模型與概率分布模型，以在全面實(shí)現(xiàn)運(yùn)動(dòng)特征的能耗與風(fēng)險(xiǎn)量化分析。通過這一分析過程，團(tuán)隊(duì)能夠獲取準(zhǔn)確的數(shù)值參考，為機(jī)器人在復(fù)雜環(huán)境中的在線決策提供堅(jiān)實(shí)有力的數(shù)據(jù)支撐，從而確保機(jī)器人能夠做出更為科學(xué)、合理的運(yùn)動(dòng)決策。

• 擴(kuò)展馬爾科夫決策模型路徑規(guī)劃算法

在路徑規(guī)劃算法方面，研究團(tuán)隊(duì)基于四叉樹結(jié)構(gòu)對(duì)狀態(tài)空間進(jìn)行了離散化分析。在此過程中，團(tuán)隊(duì)將機(jī)器人與環(huán)境接觸的節(jié)點(diǎn)定義為“足端運(yùn)動(dòng)相關(guān)節(jié)點(diǎn)”，并深入分析這些節(jié)點(diǎn)的幾何特征與空間分布特性。通過這一系列分析工作，團(tuán)隊(duì)成功實(shí)現(xiàn)了機(jī)器人運(yùn)動(dòng)策略的智能決策，顯著提高了路徑規(guī)劃的合理性與有效性。

• 最優(yōu)路徑高效求解

針對(duì)最優(yōu)路徑高效求解這一核心問題，研究團(tuán)隊(duì)創(chuàng)新性地提出了信息引導(dǎo)的值迭代算法。該算法緊密結(jié)合四叉樹地圖的分層存儲(chǔ)特性，僅在與目標(biāo)點(diǎn)強(qiáng)相關(guān)的方向上進(jìn)行深度搜索與迭代，從而有效降低了計(jì)算復(fù)雜度，大幅提升了最優(yōu)路徑的求解效率。

• 在多層地圖上的擴(kuò)展

考慮到星球探測(cè)車的車載處理器性能存在一定限制，研究團(tuán)隊(duì)將多層地圖技術(shù)巧妙地應(yīng)用于算法之中。這一舉措進(jìn)一步降低了算法的計(jì)算時(shí)間，顯著提高了計(jì)算效率，為機(jī)器人在復(fù)雜環(huán)境中的實(shí)時(shí)路徑規(guī)劃提供了更為可靠的技術(shù)保障。

算法有效性檢驗(yàn)：TAWL探測(cè)車實(shí)驗(yàn)

為驗(yàn)證所提算法的實(shí)際效果，研究團(tuán)隊(duì)針對(duì)輪腿式TAWL星球探測(cè)車在復(fù)雜地形下的路徑規(guī)劃能力，開展了一系列實(shí)驗(yàn)測(cè)試。

實(shí)驗(yàn)設(shè)計(jì)圍繞不同運(yùn)動(dòng)策略展開，這些策略的轉(zhuǎn)移概率與動(dòng)作執(zhí)行后車身的概率分布緊密相關(guān)，而狀態(tài)不確定性則作為動(dòng)作執(zhí)行過程中的累積量被納入考量。特別是在混合運(yùn)動(dòng)策略下，對(duì)行進(jìn)距離有著特定要求，例如爬樓梯和上下平臺(tái)等具體場(chǎng)景，均有相應(yīng)的計(jì)算公式進(jìn)行支撐。通過對(duì)比LTV - SDE模型與改進(jìn)后的模型，研究團(tuán)隊(duì)發(fā)現(xiàn)改進(jìn)模型由于全面考慮了從起點(diǎn)到終點(diǎn)的整個(gè)過程，因此與實(shí)驗(yàn)結(jié)果的擬合度更高，顯示出更強(qiáng)的實(shí)際應(yīng)用價(jià)值。

在實(shí)驗(yàn)實(shí)施環(huán)節(jié)，探測(cè)車采用了不同處理器分別處理視覺和運(yùn)動(dòng)控制算法的設(shè)計(jì)方案。在室內(nèi)實(shí)驗(yàn)中，團(tuán)隊(duì)構(gòu)建了非結(jié)構(gòu)化地形環(huán)境，并設(shè)置了試驗(yàn)A和B。這兩組試驗(yàn)的起點(diǎn)和終點(diǎn)相同，但概率系數(shù)設(shè)置不同，從而導(dǎo)致了路線選擇和風(fēng)險(xiǎn)評(píng)估的差異。具體而言，試驗(yàn)A的路線較短，但不確定性較大，能量成本相對(duì)較低；而試驗(yàn)B則風(fēng)險(xiǎn)較低，車身歐拉角更為穩(wěn)定。此外，團(tuán)隊(duì)還在室外進(jìn)行了試驗(yàn)C和D。試驗(yàn)C在緩坡環(huán)境下進(jìn)行，實(shí)現(xiàn)了阻抗和姿態(tài)的有效控制，探測(cè)車采用輪式前行方式以適應(yīng)地形；試驗(yàn)D則在導(dǎo)航階段采用輪式行走，越障階段則采用混合行走方式，并詳細(xì)記錄了車體歐拉角和足端接觸力等關(guān)鍵數(shù)據(jù)。

基于實(shí)驗(yàn)地圖，研究團(tuán)隊(duì)從節(jié)點(diǎn)訪問次數(shù)、計(jì)算時(shí)間和能耗、成功率三個(gè)維度對(duì)不同算法的性能進(jìn)行了比較分析。在節(jié)點(diǎn)訪問次數(shù)方面，Informed VI算法和多層地圖方法相較于VI算法，明顯減少了總訪問次數(shù)，顯示出更高的效率。在計(jì)算時(shí)間和能耗方面，VI算法雖然計(jì)算量大，但能夠生成最優(yōu)路徑；而Informed VI算法則在保證路徑最優(yōu)性的前提下，有效減少了計(jì)算時(shí)間；多層地圖方法的計(jì)算時(shí)間更短，但路徑質(zhì)量略遜于VI算法；RRT算法計(jì)算時(shí)間短，但路徑質(zhì)量較低；CC - RRT算法路徑質(zhì)量?jī)?yōu)于RRT，但計(jì)算時(shí)間更長(zhǎng)且結(jié)果具有一定的隨機(jī)性。在成功率方面，VI、Informed VI、Multilayer和A算法在合適的條件下能夠保證找到解；而RRT和CC - RRT算法的成功率則與參數(shù)設(shè)置和障礙物密度密切相關(guān)。

綜合以上實(shí)驗(yàn)數(shù)據(jù)，可以得出結(jié)論：研究團(tuán)隊(duì)所提算法在確保機(jī)器人安全性的同時(shí)，兼具高效性和環(huán)境適應(yīng)性優(yōu)勢(shì)，特別是在非均勻地圖環(huán)境下表現(xiàn)出較強(qiáng)的適應(yīng)能力。

▍結(jié)語(yǔ)與未來展望

研究團(tuán)隊(duì)所提算法在分辨率可變柵格地圖上具有較好的適應(yīng)性，信息引導(dǎo)值迭代算法可以在不失去最優(yōu)性的前提條件下提高計(jì)算效率。

據(jù)悉，該團(tuán)隊(duì)未來將在此研究基礎(chǔ)上，進(jìn)一步深入系統(tǒng)地探索輪腿式機(jī)器人、爬行機(jī)器人等智能體的運(yùn)動(dòng)規(guī)劃與控制理論。團(tuán)隊(duì)致力于突破機(jī)器人具身感知、智能決策與自適應(yīng)控制等關(guān)鍵技術(shù)瓶頸，以期最終實(shí)現(xiàn)在外太空星球探測(cè)、小行星探測(cè)等深空探測(cè)任務(wù)中的實(shí)際應(yīng)用。這一研究方向不僅具有重要的科學(xué)價(jià)值，也將為機(jī)器人技術(shù)的未來發(fā)展開辟新的道路。

參考文章：

https://ieeexplore.ieee.org/document/10907969