仿生风险感知自适应导航用于搜救场景中的四足机器人

《Biomimetic Intelligence and Robotics》:Bio-inspired risk-aware adaptive navigation for quadruped robots in search and rescue scenarios

【字体: 大 中 小 】 时间:2026年03月29日 来源:Biomimetic Intelligence and Robotics 8.6

编辑推荐:

  搜救(Search and Rescue, SAR)操作要求机器人系统能够在危险和非结构化环境中导航,其中人类干预有限。本研究引入了一个仿生导航框架,使四足机器人能够根据感知到的环境风险实时调整其轨迹。该方法将视觉和深度感知与卷积神经网络(CNN)相结合,以识

  
搜救(Search and Rescue, SAR)操作要求机器人系统能够在危险和非结构化环境中导航,其中人类干预有限。本研究引入了一个仿生导航框架,使四足机器人能够根据感知到的环境风险实时调整其轨迹。该方法将视觉和深度感知与卷积神经网络(CNN)相结合,以识别地形特征并估计风险水平,生成动态地图以指导自适应路径点规划。这项研究的一个关键方面是在高度逼真的灾后环境中进行了广泛的模拟活动,包括火灾、烟雾、碎片、不平坦表面和退化照明等条件。这些场景为在实际任务部署前验证自适应行为提供了一个可控且具有挑战性的平台。所提出的方法进一步在物理试验中进行了评估,证实了与静态导航策略相比,其能够增强安全性、鲁棒性和效率。本研究展示了将仿生原理与智能感知相结合以增强关键任务中自主移动性的潜力。实现的算法和测试阶段的视频可在附录中获取。
### 论文解读:仿生风险感知自适应导航在搜救四足机器人中的应用

#### 研究背景与问题
搜救(Search and Rescue, SAR)操作面临动态和不可预测的灾害环境(火灾、烟雾、不稳定表面、碎片等),传统人类主导的救援受限于可达性和高风险。四足机器人凭借在粗糙地形上的优越机动性成为替代方案,但有效部署需要超越稳健运动的自适应导航策略。现有方法多依赖静态地形重建或预计算模型,无法实时应对动态变化(如退化的光照、烟雾遮挡、不规则地面),导致感知和稳定性受损,任务失败率高。因此,研究人员提出一种基于仿生原理(视觉选择性注意和预期运动适应)的风险感知自适应导航框架,目的是在复杂灾害环境中实现实时、安全的自主移动。

#### 研究内容与意义
研究人员开发并验证了一个集成卷积神经网络(CNN)和深度感知的导航框架,通过生成动态风险地图指导自适应路径点规划,并在高保真模拟和物理试验中进行了评估。结果表明,该框架在轨迹完成率、任务时间和稳定性上显著优于静态和半信息策略,证实了仿生原理与智能感知结合在关键搜救任务中的潜力。论文发表在《Biomimetic Intelligence and Robotics》上。

#### 主要关键技术方法(不超过250字)
关键方法包括:1)基于YOLOv8n-seg的卷积神经网络(CNN),处理RGB图像(640×640像素)进行地形语义分类(9类),结合深度数据(Dt)投影到世界坐标系;2)动态风险地图生成,将语义风险评分(从文献和仿真迭代中得出)通过高斯核(3×3)平滑并累积到栅格(G)中,同时计入高程差;3)自适应路径点调整,利用实时风险评估(MeanRisk函数)和可行性检查(运动学工作空间、局部坡度<30°)修改名义路径,并通过三次B样条插值(C2连续)平滑轨迹;4)三层运动控制:高层面导航(10Hz)基于风险缩放速度,中层面步态规划(100Hz)调整摆动高度(hswing),低层面非线性模型预测控制(NMPC, 100Hz)和全身控制(WBC, 500Hz)跟踪轨迹。模拟环境在IsaSim 4.2中构建,参数校准符合NIST标准(ASTM E2828)。训练数据集包含10835张标注图像(70%训练,20%验证,10%测试),来源自实验室采集。

#### 研究结果

**4.1 仿真到现实环境一致性定量评估**
通过特征对应分析(SIFT和SURF描述符),模拟与真实环境的结构一致性达到79%–87%,验证了模拟环境保留了关键几何模式,确保风险评估逻辑在物理部署中的泛化能力。

**4.2 风险地图生成**
- **4.2.1 障碍物密度**:在低、中、高障碍密度下,机器人增量更新风险地图。高斯核平滑避免了风险突变;高密度场景产生广泛高风险区,但聚合策略保持稳定性。
- **4.2.2 环境覆盖**:比较直线导航与锯齿形(zigzag)覆盖策略。锯齿形策略将地图覆盖从69.64%提升至91.65%(增加31.6%),但任务时间增加44.1%(102 s vs. 147 s),显示探索与效率的权衡。

**4.3 自主导航**
- **4.3.1 模拟阶段**:比较三种策略(无信息、半信息、实时信息)。实时信息策略轨迹完成率最高(80% vs. 20%无信息),任务时间减少14.7%(81.73 s vs. 95.84 s),路径长度缩短16.0%(14.79 m vs. 17.60 m),同时保持相似覆盖和速度;风险缩放降低了滚动/俯仰振荡和跌倒。弱光条件下仍保持稳健性能。
- **4.3.2 实际阶段**:在CAR-Robotics-Arena中用Unitree四足机器人(Aliengo和Go2)验证。正常光照下轨迹完成率98%,弱光下93%;弱光下风险地图显示更高感知风险,但CNN仍能泛化,实现成功轨迹调整。

**4.4 对比分析:几何规划 vs. 语义规划**
与基于数字高程模型(DEM)和随机采样的几何规划基线[33]对比。语义风险规划成功率95% vs. 65%,不稳定性事件从4.2降至0.8,平均滑移从0.18 m/m降至0.05 m/m(减少72%),但任务时间增加约5.7 s。这源于预防性速度缩放、预期步态调制(增大摆动高度)和风险感知路径偏差,体现了速度与可靠性的战术权衡。

**4.5 讨论**
该方法在实时风险地图更新上超越传统静态方法,模拟与现实的高结构一致性支持可靠的仿真到现实(sim-to-real)迁移。障碍密度和覆盖策略分析揭示了探索与效率的权衡,实时信息策略在任务完成度和稳定性上优于其他方法。CNN在多样化纹理上的训练确保了对退化视觉条件的泛化,主动规避高风险区。实际测试证实了其在复杂环境中的安全性和效率。

#### 研究结论翻译
本研究表明,面向搜救任务中危险非结构化环境,所提出的仿生导航框架对四足机器人具有有效性。通过整合语义风险感知与自适应路径点规划,该方法无需修改底层运动控制器即可实现实时轨迹调整。高保真仿真和物理试验的结果证实了以下关键发现:1)仿生风险映射增强了自主导航,动态视觉驱动的风险地图使四足机器人能够主动规避高风险区域,在杂乱动态地形中提升安全性、覆盖率和效率;2)仿真到现实迁移具有稳健性,高保真模拟(真实纹理、光照变化、物理)成功复制现实条件(结构一致性79%–87%),虚拟环境可可靠验证后部署;3)实时自适应提高了任务成功率,基于CNN风险估计的实时信息策略在正常条件下达到98%轨迹完成率,退化视觉条件下达93%。自适应路径点规划在保持稳定性的同时减少了遍历时间,展示了实时自适应对挑战性搜救任务的益处。未来工作方向包括引入类脑神经网络(Brain-Like Neural Networks, BLNNs)以增强高风险场景下的实时决策能力。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号