异构机器人集群在有限通信下的同步探索与检测规划框架SLEI3D研究

《IEEE Transactions on Automation Science and Engineering》：A Near-Time-Optimal Trajectory Planning under Torque and Jerk Constraints for Industrial Robots on Fixed Paths

针对未知环境中异构无人机集群需同步完成环境探索、特征检测及与移动地面站实时通信的难题，本研究提出分层协同框架SLEI3D。通过探索者（配备远程激光雷达）快速构建环境地图并识别兴趣区域，检查者（搭载近距离相机）精细检测特征（如裂缝、泄漏等），结合间歇性与主动性通信协议优化任务分配与数据传输。实验表明，该框架支持48台机器人在38.4万立方米场景中高效协作，显著降低空闲时间，为大型基础设施巡检提供可靠解决方案。

　　

随着无人机（UAV）与地面车辆（UGV）在电力设施、桥梁、工业厂区等大型基础设施的巡检任务中广泛应用，传统方法通常依赖预先已知的检测区域。然而，在考古探测、行星洞穴勘探或灾后搜救等场景中，待检测的关键区域（如结构裂缝、生命迹象）往往未知，需机器人在探索环境的同时实时识别并精细检测目标。更复杂的是，这些任务常面临通信设施缺失或信号受限的挑战，机器人仅能通过视距（LOS）自组网在近距离交换数据，导致协同规划与数据回传效率低下。

为此，北京大学与杜克昆山大学联合团队在《IEEE Transactions on Automation Science and Engineering》发表研究，提出名为SLEI3D（Simultaneous Large-scale Exploration, Inspection and Communication）的创新框架。该框架通过分层、多速率协同机制，协调异构机器人集群在未知三维环境中实现探索、检测与通信的同步优化。研究首次将有限通信约束下的动态任务分配、间歇性通信协议与实时路径规划深度融合，解决了大规模集群协同中的资源竞争与数据孤岛问题。

关键技术方法

研究采用多层规划架构：在顶层，移动地面控制站（GCS）通过滚动分配算法将探索区域划分为边界框（BBox），并基于体积比例动态分配探索者（N_e）与检查者（N_o）子群；在子群层，探索者通过快速前沿探测算法（FF3E）生成最优探索路径，并利用遗传算法优化与检查者的会合序列；通信层面设计间歇性协议（GCS-探索者）与主动性协议（探索者-检查者），通过任务完成时间预测模型协调会合时间与位置。硬件实验依托7台机器人（Tello无人机为探索者、Crazyflie为检查者、LIMO为GCS），在包含9个特征点的仿真场景中验证框架有效性。

研究结果

1. 1.
   GCS-子群协同效率
   在包含1个GCS、2个探索者与4个检查者的场景中，GCS通过求解带时间窗的旅行商问题（TSP-TW）规划会合事件，平均通信周期为56秒。探索者采用FF3E算法动态调整路径，使实际到达会合点时间与计划偏差不超过13.2秒，空闲时间降低至1434.5秒，较基线方法（CARIC）减少27%。
2. 2.
   子群内检测优化
   基于SOEI算法的协同检测中，检查者任务分配转化为带优先级的多车辆路径问题（MVRP-PC）。实验显示，当检测单特征时间从1秒增至8秒时，每次会合分配特征数从3.11个降至1.65个，但通过动态重规划仍实现100%特征覆盖率。
3. 3.
   系统扩展性与鲁棒性
   在48机器人、384,000立方米的大规模场景中，SLEI3D完成全部任务耗时1,699秒，较静态任务分配（SLEI-PRE）提升10.2%。在机器人故障测试中，探索者失效后GCS通过10秒超时机制触发任务重分配，任务完成时间仅延长12%。此外，框架支持异构传感器（探索者感知范围6–12米），感知范围每增加2米，任务效率提升约15%。

结论与意义

SLEI3D框架通过分层协同与自适应通信协议，解决了有限通信下异构机器人集群的探索-检测-通信协同难题。其核心贡献在于：

1. 1.
   提出多速率规划机制，平衡了全局协调效率与局部响应实时性；
2. 2.
   通过动态BBox分配与故障恢复策略，提升系统在不确定环境中的鲁棒性；
3. 3.
   为考古勘探、基础设施巡检等应用提供了可扩展的解决方案。
   实验表明，该框架在通信中断、机器人故障等异常情况下仍能保持稳定性能，为未来无人系统在复杂环境中的自主作业奠定了理论基础。