非暴露空间智能多机器人自主探索：前沿方法与挑战综述

《ARTIFICIAL INTELLIGENCE REVIEW》：Intelligent multi-robot exploration in non-exposed spaces: methods and challenges

　　为解决GNSS拒止环境下多机器人系统自主探索的感知受限、路径规划复杂和协同效率低等难题，研究人员系统综述了非暴露空间（如地下隧道、行星洞穴）中环境感知、路径规划和多智能体协同三大关键技术，梳理了从传统方法到人工智能（如深度强化学习、图神经网络）的演进路径，并指出传感器融合、不确定性建模和自适应决策框架是提升探索效能的核心。该研究为极端环境下的机器人协同作业提供了理论支撑和技术路线图。

　　

在深空探测、灾难救援、地下空间开发等前沿领域，机器人常需潜入全球导航卫星系统（GNSS）信号完全失效的“非暴露空间”——这些环境可能是蜿蜒的地下隧道、坍塌的灾后现场，或是火星表面的熔岩管洞穴。由于缺乏卫星定位信号、环境结构复杂且能见度低，传统机器人犹如“盲人摸象”，既难以构建精确地图，又无法高效协同作业。更棘手的是，单台机器人受限于覆盖范围和冗余性，在大规模探索任务中往往力不从心。如何让多台机器人像训练有素的探险队一样，在未知环境中自主分工、实时避障、高效协作，成为制约极端环境探测效能的关键瓶颈。

针对这一挑战，发表于《Artificial Intelligence Review》的综述论文《Intelligent multi-robot exploration in non-exposed spaces: methods and challenges》系统梳理了该领域的前沿进展。研究团队从环境感知、路径规划和多机器人协同三大维度切入，剖析了从传统规则算法到人工智能驱动方法的范式转变。为开展系统性分析，作者检索了2004–2024年间Web of Science数据库中7246篇相关文献，发现年发文量从2010年前不足100篇跃升至2024年的1200余篇，印证了该领域的急速发展。通过关键词共现网络分析（图2），研究进一步识别出感知融合、图神经网络（GNN）、多智能体强化学习（MARL）等热点方向。

关键技术方法方面，研究重点分析了多传感器融合（如LiDAR-IMU紧耦合的FAST-LIO2框架）、基于鸟瞰图（BEV）的跨模态感知对齐（BEVFusion）、以及应对动态环境的分布式路径规划算法（如MUI-TARE）。针对异构机器人协同，团队总结了DARPA地下挑战赛（SubT）中应用的通信中继网络（如ACHORD系统）和基于学习的分工策略（如Heterogeneous Policy Network）。此外，研究还引入了仿真至现实的迁移学习、轻量化模型压缩等适应资源受限场景的AI部署方案。

环境感知与多传感器融合

非暴露空间的环境感知是机器人导航的基石，但单一传感器在粉尘、暗光或电磁干扰环境下极易失效。研究指出，LiDAR在几何测量方面精度高，但对雾霾敏感；相机能提供丰富语义信息，却受光照制约；IMU（惯性测量单元）短期精度尚可，但存在累积漂移误差。为此，多传感器融合成为必然选择：例如将事件相机（Event Camera）与帧相机结合的EV-FuseMODNet方案，通过异步捕捉亮度变化，有效抑制了运动模糊。在定位方面，LiDAR-惯性里程计（LIO）通过卡尔曼滤波直接处理点云数据，提升了GNSS拒止环境下的定位鲁棒性。表1对比了8类传感器的性能权衡，而集成多模态载荷（如DJI H30T）则通过热成像、激光测距等互补感知，显著增强了复杂环境的适应性。

路径规划与非暴露空间优化

路径规划算法需在环境不确定性和计算效率间取得平衡。传统规则算法（如A*、Dijkstra）虽可解释性强，但在高维 clutter 环境中易陷入局部最优；启发式前沿探索法覆盖率高，但多机器人协同时常出现重复探索。研究强调，基于随机近似的方法（如蒙特卡洛树搜索）和GNN驱动的协同规划（如Spatial GNNs）能够动态分配探索目标，减少路径重叠。值得注意的是，深度强化学习（DRL）在仿真中表现优异，但其在真实场景的泛化能力仍受限于数据稀缺和计算资源。

多机器人协同与通信挑战

多机器人系统的核心在于协同效率。集中式框架（如Copilot MIKE）可通过全局优化实现任务分配，但存在单点故障风险；分布式框架（如MARBLE团队的metric-topological规划）依赖局部通信，更适合动态环境。研究指出，在隧道等信号衰减严重的场景中，UWB（超宽带）通信和中继节点部署是维持连通性的关键。此外，AI驱动的协同策略（如Kaleidoscope方法）通过可学习掩码实现异构机器人间的参数共享，提升了策略迁移效率。

系统应用与实证分析

论文从行星探测、群机器人、测绘农业、搜救救援、基础设施检测五大场景验证了技术实效。在行星探索中（图10），“玉兔二号”月球车与直升机协同（如Mars 2020任务）展示了空地协同的优越性；在DARPA SubT挑战赛（图15）中，异构机器人团队（如ANYmal四足机器人与无人机组合）通过实时地图融合，实现了地下管网的快速建模。在桥梁检测（图16）和电力巡检（图17）领域，多机器人系统通过视觉-LiDAR融合，解决了GNSS遮挡下的精细定位难题。

结论与展望

本研究首次系统界定了非暴露空间的多机器人探索范式，揭示了感知退化、通信延迟和资源约束三大核心挑战。综述表明，传统方法在结构化场景中稳定，但缺乏动态适应性；AI方法虽具潜力，却受限于数据与算力。未来研究需聚焦轻量化模型设计、跨场景迁移学习、以及通信感知的协同框架。随着NeRF（神经辐射场）、Transformer等新技术融入，多机器人系统有望在更深的地下、更远的星球实现“群体智能”，为人类探索极端环境提供关键支撑。

---

关键方法归纳

研究分析了多机器人自主探索的技术体系：在感知层采用LiDAR-相机-IMU多源融合（如BEVFusion）应对信号缺失；路径规划层结合前沿探索与DRL（深度强化学习）优化覆盖效率；协同层通过UWB自组网（如ACHORD）实现分布式决策。针对异构平台（如无人机UAV与地面车UGV），提出基于图神经网络（GNN）的任务分配框架（HetNet）。技术验证依托DARPA SubT挑战赛等真实场景，涉及行星车、桥梁检测机器人等实体平台。