救援机器人导航技术研究现状与展望

程 浩，门玉涛*，张文昌，吴 航，陈 炜，张晓涛

（1.天津理工大学天津市先进机电系统设计与智能控制重点实验室，天津 300384；2.天津理工大学机电工程国家级实验教学示范中心，天津 300384；3.军事科学院系统工程研究院卫勤保障技术研究所，天津 300161）

0 引言

战争、地震、火灾等灾难发生后受伤、被困人员急需救援。以往救援人员大多直接进入受灾环境进行搜救。然而，受灾环境往往复杂多变，存在着诸如山体滑坡、塌陷、有毒有害气体等危险因素，给搜救工作带来极大困难和危险，从而耽误了最佳的救援时间，导致更多的人员伤亡。因此，应用救援机器人替代救援人员进入危险环境实施搜索探测、伤员后送，可有效提高救援效率和保障救援人员安全。所以，应用救援机器人执行救援任务是未来灾害救援的发展趋势[1-2]。

机器人导航技术是救援机器人实现救援任务的重要技术手段。灾难发生后地形环境通常会发生巨大变化，当遇到障碍物遮挡造成的全球定位系统（global positioning system，GPS）信号不可用的情况，通过救援机器人进行全局地图导航通常是难以实现的。而且复杂的地形可能会有各种凹凸不平的障碍物，这给救援机器人的通行带来挑战，因此救援机器人必须借助机载传感器感知周围环境，进行局部地图导航。为了能够顺利通过复杂地形，安全执行救援任务，救援机器人需要实时构建地图，进行全局路径规划，从而找到一条最佳的无碰撞路径。因此，救援机器人的导航技术在救援任务中极为重要。

救援机器人的导航技术主要包括机器人定位、地图构建和路径规划。其基本原理、技术框架如图1～2所示。首先，救援机器人通过激光雷达、相机等机载传感器获取周围环境信息，进行特征提取，并估计出机器人的位姿；如果遇到障碍物则进行障碍检测，同时更新机器人的位置，然后在此基础上构建局部地图并实时更新全局地图。在完成地图构建后，救援机器人在部分未知或完全未知的环境中规划出一条通向目标点的最优路径。

图1 救援机器人导航流程图

图2 救援机器人导航技术框架

本文从地面救援机器人定位、地图构建和路径规划3个方面综述救援机器人导航技术的研究现状，并对目前救援机器人导航面临的具体挑战和未来的发展趋势作进一步的讨论。

1 机器人定位

在整个导航过程中，定位是救援机器人需要处理的一个基本问题。而定位的关键是估计机器人的位姿。目前，实现机器人定位的方法主要包括GPS定位、信标定位、惯性定位、视觉定位和激光定位等。同时，多种传感器融合定位的方法也很常用。然而，在有障碍物遮挡的复杂环境中，GPS、信标定位等定位方法难以实现，因此必须使用其他定位方法确保救援机器人的准确定位[3-4]。对此，本文简要介绍几种救援机器人常用的定位方法并进行简单讨论。

1.1 惯性定位

惯性传感器也被称为惯性测量单元（inertial measurement unit，IMU），一般由加速度计、陀螺仪和磁力计组成，因其在短时间内能够提供相对准确的位姿数据，在计算机器人位移时应用较为广泛。但随着时间的推移位姿误差会不断累积，因此需要其他高精度的传感器对其进行校准，例如，在空间狭小、充满障碍的半封闭环境，机器人的姿态估计是一个大的挑战。对此，Bando等[5-6]基于IMU研发了2款救援机器人。第一款为3 m长的软管形机器人，如图3所示，该机器人配有一组麦克风、扬声器和加速度计，利用麦克风和加速度计进行三维姿态估计，可望用于探测倒塌建筑物下人类无法进入的空间[5]。第二款为蛇形机器人，如图4所示，机器人本体由20个直径为120 mm的模块组成，其中麦克风模块和IMU模块连接到机器人的尾部，通过测量扬声器发出和接收参考信号的间隔时间来估计机器人与管道入口之间的距离进而确定机器人的位置[6]。这2种机器人在GPS不可用的狭小封闭环境中展现出了优秀的效果，但是不适用于广阔的复杂环境。对此，Jiang等[7]在里程测量单元和IMU模型的基础上，通过扩展卡尔曼滤波、自适应蒙特卡罗定位和扫描匹配算法对机器人的位姿进行3次校正，实验结果表明该方法可以实现机器人在复杂环境中厘米级的定位精度。

图3 软管机器人[5]

图4 蛇形机器人[6]

1.2 航位推算（dead reckoning，DR）定位

航位推算是一种基于编码器的轮式机器人的定位方法，通过计算相对于初始位置的距离和方向角的变化量来确定机器人在当前时刻的位置。但车轮和地面之间往往会产生测量误差，长时间移动会导致误差累积。Brossard等[8]使用深度神经网络动态调整编码器的数据，降低了航位推算方法的误差，但在非结构环境中其定位误差较大。对此，Akai等[9]使用扩展卡尔曼滤波融合航位推算和正态分布配准算法来估计机器人的位姿。实验结果证实，该方法能够在山区等非结构环境中得到精准的定位。Yang等[10]也提出了一种新的基于航位推算的老鼠-机器人定位系统，以应对工作环境的复杂性。该方法在可穿戴外骨骼老鼠机器人上得到验证，如图5所示，通过建立关联模型估算出老鼠机器人的两后肢踝关节在矢状面上水平距离的步长，从而获得导航坐标系下老鼠机器人精确的距离和位置。并且该系统不依赖任何额外的外部传感器，在狭小空间搜索时显示出巨大的优势。

图5 可穿戴外骨骼老鼠机器人[10]

1.3 视觉定位

视觉传感器具有成本低、信息丰富等特点，因此利用视觉传感器进行定位已被证明是一种确定机器人位姿的稳健技术。为了提高定位的效率和精度，在实践中通常会结合其他传感器来辅助视觉定位。Zheng等[11]将IMU数据融合到视觉跟踪过程，降低了同时定位与地图构建（simultaneous localization and mapping，SLAM）框架的复杂度，精确地估计了机器人在三维空间中的轨迹。然而，在非结构的环境中，光线强弱、天气变化和季节更替等自然因素会导致视觉信息获取困难。在这种具有挑战性的感知条件下，卷积神经网络（convolutional neural networks，CNN）在视觉位置识别领域取得了巨大进展。Naseer等[12]使用CNN从单目RGB图像中估计出了目标物体六自由度的姿态，实验结果表明该方法在基于视觉的移动机器人位置识别和环境探测等方面取得了令人满意的效果。

1.4 雷达定位

相较于其他传感器，雷达传感器在非结构化和光线不足的环境空间中获取的信息是最丰富的，因此现实场景中雷达传感器用于救援机器人定位更准确。而且随着市场的发展，雷达传感器的价格也在不断下降，这使得它更容易被公众应用。然而，雷达传感器的使用往往会产生大量数据，因此如何快速地处理这些数据以保证机器人的实时性定位是面临的难题。对于该问题，Chen等[13]提出一种基于神经网络的观测模型来计算2个3D LiDAR扫描重叠的定位方法。该方法能够从大量数据中筛选出较少的粒子实现全局定位，但是激光雷达在扫描3D点的过程中会存在运动失真的现象。对此，Le Gentil等[14]利用IMU测量的预积分数据准确校正激光雷达扫描的运动失真。该方法可以在不依赖任何显式运动模型的情况下精确校正运动失真，但该方法仅适用于室内环境。对此，Li等[15]提出了一种LiDAR和IMU紧密耦合的定位系统，该系统具有灵活处理环境变化的能力，很好地满足了救援机器人在城市、峡谷等室内外环境中精准定位的要求。

1.5 多传感器定位

多传感器融合定位主要是综合利用多种传感器信息，充分发挥各种传感器的优势，实现信息互补，最大限度地提高灾后救援机器人的定位精度。Wang等[16]提出了一种多传感器融合的SLAM方法，在如图6所示的履带式移动机器人上得到了验证。该方法通过扩展卡尔曼滤波将激光测距仪、声呐、陀螺里程计、Kinect数据融合在一起，提高了移动机器人在室内外非结构化环境中的定位精度。然而该方法在动态环境中不能达到救援机器人所需的精度。对此，Nguyen等[17]采用扩展卡尔曼滤波算法对来自车轮编码器、GPS和IMU传感器的数据进行融合。仿真结果表明，该系统提高了动态环境下移动机器人姿态估计的精度。以上融合定位方法将多种传感器的优点结合在一起形成了不同的解决方案，克服了单一技术的缺点。在灾后非结构化场景中多传感器信息融合定位系统发挥着重要作用。

图6 履带式移动机器人[16]

2 地图构建

地图构建是机器人导航最重要的方面，它决定着机器人能否成功导航。电气与电子工程师协会标准定义了机器人导航地图的表示方法：几何地图、网格地图、拓扑地图和语义地图[18]。这些方法在构建地图上均表现出明显的优点，但也有一些不足之处。此外，随着救援机器人越来越多地应用于复杂的环境，构建地图的准确性受到巨大挑战。传统地图表示方法与实际地图环境可能有较大差距，导致导航过程中出现偏差甚至是机器人绑架问题。为了解决这些问题，近年来，学者们对传统地图表示方法进行改进，提出了混合地图的表示方法。该方法能够为救援机器人定位和路径规划提供更为可靠的环境信息。

2.1 几何地图

几何地图又称为特征地图，一般从环境中提取几何特征量（如点、线、面）来表示地图环境。一般使用视觉传感器构建特征地图，并且只用于室内结构化环境的描述。但是当摄像机处于低纹理场景中时，基于点特征的SLAM算法难以获取足够有效的点特征，导致建图精度低、鲁棒性差，甚至导致算法失败。对此，Pan等[19]在点特征的基础上引入线特征进行两者互补，构建了具有几何信息的环境特征图。由于线特征提供了丰富的场景结构信息，该方法比传统的基于点的SLAM具有更强的鲁棒性和准确性。实验结果表明，单目SLAM系统在静态或低动态环境中表现良好，然而，由于灾害地形通常杂乱无章，仅使用单目相机很难计算出观测特征的深度信息，并且SLAM过程中会丢弃一些重要信息。因此，单目SLAM构建的特征地图对操作人员来说一般很难理解和使用[20]，如图7所示。对此，Chen等[20]将单目SLAM与2D激光雷达SLAM相结合，实现了真实比例尺的现场环境地图。如图8所示，该地图在城市搜索和救援中对用户更加友好，并在救援机器人上取得了良好的效果。

图7 特征点地图[20]

图8 单目和激光相结合的特征地图[20]

2.2 网格地图

网格地图是一种对现实地形数字平面化，再将环境空间分解成一系列离散的网格，并根据它们是否被占用来表示环境信息的地图（例如0表示占用区域，1表示空闲区域）。网格地图具有易于构建的优点，适用于救援机器人在未知环境中建图。然而栅格的分辨力易受环境复杂度影响，实际应用时往往需要多种传感器结合使用来提高建图精度。已有学者使用激光雷达和视觉相机等外部传感器在静态或动态环境下建立精确的实时地图，以实现移动机器人在崎岖地形上的自主导航。然而，这些建图方法通常依赖于外部几何或基于视觉特征的绝对定位。为了规避这些方法的绝对性问题，Fankhauser等[21]基于运动学和惯性测量的自身感知定位提出了一种基于网格的高程图概率地形估计方法，并在如图9所示的四足腿式机器人ANYmal上得到验证，仿真和实验结果表明，该腿式机器人能够实时建立精确地图，实现在崎岖地形上的自主导航。

图9 四足腿式机器人ANYmal爬楼梯网格图[21]

2.3 拓扑地图

拓扑地图是应用比较广泛的地图表示方法，主要使用节点来表示特定位置，使用边来连接相邻点，例如，使用拓扑地图表示的家庭环境（如图10所示）[22]。由于拓扑地图所需的存储空间较小，利用拓扑地图可以更有效地进行位置估计和目标识别。此外，拓扑地图构建过程不需要对2个节点之间的位置进行精细处理，因此拓扑地图是一种紧凑的地图表示方法。尽管几何地图和网格地图都可以为机器人导航提供丰富的细节，然而，这2种地图的缺点是计算量大，占用磁盘空间较大，并且缺乏语义信息。由此，Luo等[22]提出了一种新的拓扑地图导航方法来解决上述问题。该方法利用视觉图像比较来模拟人类的导航过程，与传统的网格地图方法相比，不仅解决了传统度量地图缺乏语义的问题，还节省了磁盘存储的空间。但是环境噪声和稀疏的测量信息限制了机器人完成复杂的任务，也使得实时处理机器人应用中存在的不确定性变得更加困难。对于此问题，Blochliger等[23]提出了将视觉的稀疏特征图转换为三维拓扑地图的新方法，该方法在处理噪声和稀疏的视觉测量信息的同时，大大地降低了硬件要求。

图10 家庭环境的拓扑图[22]

2.4 语义地图

随着机器人技术的发展，地图表示模型逐渐从几何模型转向对人类更友好、更方便的语义模型。如图11所示，借助于语义模型，救援机器人可以在复杂环境中识别不同类型的地形，从而为机器人导航提供更高的准确性和鲁棒性[24]。Li等[25]提出了一种基于语义的室内多机器人地图搜索方法，该方法使用语义信息来选择要访问的位置和确定要分配给这些位置的机器人数量，从而加快对特定区域的探索。实验结果显示，所提出的语义信息方法在探索未知区域时具有优良的性能。为了提高语义地图的精度，Xiao等[26]使用单目相机构建出了一个3D紧凑语义图。与以上地图表示方法相比，该方法通过减少传感器的数量和地图的存储空间，实现了均方根为0.345 m的测量误差。然而，在视觉退化的环境中，基于视觉的语义SLAM性能可能会下降。对此，Krasner等[27]使用了一种新的2.5D语义分割技术，将单目图像和激光雷达深度结合起来，实时生成了三维地图点的语义标签。实验结果表明，利用该方法在明亮或黑暗的室内外环境，救援机器人均能表现出强大的导航和场景理解能力。

图11 8种地型的语义地图[24]

2.5 混合地图

混合地图一般由特征地图、网格地图和拓扑地图等组合构成。它通过结合传统地图表示方法的优点，使构建复杂环境地图的误差最小化，从而生成更灵活和稳健的地图。Wang等[28]提出了具有语义信息决策模型的拓扑图，如图12所示，将探索过程中的节点和边逐渐添加到语义路线图中，实现了机器人对室内环境的高效探索，但该方法不适用于非结构化的环境。对此，Corah等[29]采用一个高斯混合模型进行全局建图，以模拟复杂环境的几何地形。该方法在保持较小内存占用空间情况下，实现了多机器人在低通信速率下高效的探测率。然而，多个机器人之间共享地图信息可能将单个测量误差转移到全局地图，从而导致存储此类地图需要更多的计算和内存。为了克服这个问题，Ravankar等[30]提出了一种组合度量-拓扑图的多机器人SLAM方法。该方法将传感器信息存储在节点和边缘中，以减少信息共享的方式进行全局优化。由于该过程仅考虑机器人附近的节点，因此计算效率较高，但是该算法仅适用于中小型环境。

图12 室内环境的语义路线图[28]

3 路径规划

路径规划是救援机器人导航中的一个重要部分。救援机器人的路径规划是在环境空间中找到一条从起点到终点耗时最短的无碰撞路径。根据获取环境信息的类型，路径规划可以分为2种：全局路径规划和局部路径规划。全局路径规划旨在根据先验环境信息找到一条最优路径。当灾害发生时现场环境可能发生巨大变化，已获得的信息不足以支持救援机器人的导航，尤其现场出现的意外障碍会给救援工作带来困难。这时，局部路径规划依靠机载传感器从周围环境中检测未识别的障碍物进行在线重新规划，并实时计算出一条无碰撞路径，这对救援机器人完成救援任务至关重要。局部路径规划所采用的人工智能算法主要有遗传算法、粒子群算法、模糊逻辑算法、神经网络算法和强化学习算法等。

3.1 遗传算法（genetic algorithm，GA）

遗传算法是一种启发式的随机算法，通过交叉和变异等操作，解决约束条件下优化和搜索问题。目前，遗传算法已被广泛用于生成最优路径，并获得了令人满意的搜索结果。然而，遗传算法更像是“盲目”搜索，在没有任何先验知识的情况下模拟自然进化过程，在种群规模较大时可能需要大量计算，因此遗传算法效率低下。为了提高遗传算法在路径规划中的性能，Lu等[31]提出了一种基于改进遗传算法的路径规划方法，以提高进化过程中局部空间的搜索能力。仿真结果表明，该方法能够获得最优路径，大大提高了遗传算法的效率。然而，该方法是在静态环境下仿真模拟的，不适用于动态环境。对此，Cheng等[32]提出了一种基于遗传算法的可重构机器人路径规划方法。对于动态障碍物环境下多目标优化问题，该方法通过遗传算法在遗传库中生成大量个体，从而帮助算法在导航过程中找到帕累托最优路径。但是该方法只适用于一类地形环境，无法对动态环境下不同的地形进行实时调整。对此，Fries[33]利用模糊变量语言对各种地形条件进行新的地图表示，通过遗传算法来计算不同地形的近似最优路径。该算法在先锋3-DX移动机器人上进行了试验，试验结果表明，该算法是鲁棒的，并且能够快速改变路径以适应动态环境的变化。

3.2 粒子群算法（particle swarm optimization，PSO）

粒子群算法是一种基于种群的进化算法，和遗传算法相似，也是通过迭代寻找最优解。在许多情况下，该算法可以使系统快速收敛，但也可能使系统过早收敛形成局部最优。为了克服这些缺点，有效地解决路径规划问题，Setyawan等[34]采用高斯函数参数调整方法加速粒子收敛速度，并通过粒子重新初始化防止粒子过早收敛。仿真结果表明，在静态障碍物的环境中，该方法可以建立全局解，从而使路径规划更加简洁、平滑、安全。Zhang等[35]也提出了一种改进的局部粒子群优化（improved localized particle swarm optimization，ILPSO）算法来解决这些问题。该算法首先通过对惯性权重、加速度因子和定位进行改进防止粒子群算法陷入局部极小值，提高算法的收敛速度，然后利用适度变异性来增加粒子的多样性，以克服算法早熟的缺点。实验结果表明，基于ILPSO算法的移动机器人能够在复杂的环境中快速找到最短路径，并且具有较高的精度和鲁棒性。

3.3 模糊逻辑算法（fuzzy logic，FL）

模糊逻辑算法广泛用于研究不确定性、复杂性和非线性等情况。模糊逻辑算法是一种将影响系统性能的模糊信息进行鲁棒性处理，并根据规则库完成模糊推理，从而得到清晰输出结果的算法，其复杂知识和预期行为对复杂环境下救援机器人避障具有重要作用。Almasri等[36]提出了一种基于模糊逻辑融合模型的无碰撞移动机器人导航算法。应用该算法，移动机器人能在短时间内检测出不同大小和形状的静态和动态障碍物，从而减少了行走距离和消耗时间。但是该算法检测的是凸面障碍物，对于凹陷障碍物则很难检测出来。为了不让机器人陷入其中，Aouf等[37]设计了避障和“跟墙”2种反应行为的同一模糊逻辑控制器，并将此算法应用到差分移动机器人KheperaⅢ上，如图13所示。仿真结果表明该方法能够避免与凹凸障碍物碰撞，实现移动机器人到达目标点的最短路径。这2种改进的模糊逻辑算法均可以很好地避开障碍物进行路径规划。但当环境复杂、障碍物数量较多时，模糊算法存在大量模糊隶属度函数和模糊规则的问题，会影响路径规划的效率。针对这一问题，Du等[38]采用遗传算法对模糊算法进行优化，减少模糊算法的计算量。仿真结果表明，即使环境信息比较复杂，该方法也能得到很好的路径规划。

图13 KheperaⅢ机器人[37]

3.4 神经网络算法（neural network algorithm，NNA）

神经网络算法是一种受人类大脑启发，模仿神经元之间相互传递信号的信息处理系统。由于该算法具有泛化能力、大规模并行性和分布式表示等特点，在移动机器人导航领域具有重要的应用价值。国内外对基于神经网络的移动机器人路径规划进行了大量的研究工作，并提出了大量的神经网络模型。Nicola等[39]提出了一种用短时记忆神经网络解决未知环境下的移动机器人路径规划问题。但该方法对于起点至目标点的位置距离有较高的要求，应用时存在一定的局限性，可通过强化学习的方式扩大数据以解决该问题。对此，Jiang等[40]将神经网络和深度Q学习相结合用于解决强化学习（reinforcement learning，RL）中Q表的“维数灾难”问题。仿真结果表明，该方法可以保证救援机器人在未知环境中以更快的速度收敛到最优策略，并以更少的步骤到达终点。但该研究提及的动态障碍物会增加机器人路径规划的难度，仅能在理想的静态障碍环境下进行仿真，难以在现实生活中实现。

为解决这一问题，Dooraki等[41]提出了一种基于记忆的多层神经网络强化学习方法，并在如图14所示的机器人上得到验证，通过融合深度和距离传感器获得了鲁棒的障碍物检测方法。仿真结果表明该方法可以自动适应环境的变化，在未知环境中能够自主执行探索和避障。

图14 仿真机器人[41]

3.5 强化学习算法

强化学习算法是一种机器学习方法。由于其强大的学习能力，在救援机器人领域中应用比较广泛。在已知的平坦地形环境中，已经有学者将强化学习算法应用于移动机器人导航。然而，对于未知崎岖地形的杂乱环境，强化学习算法尚未使用。对此，Zhang等[42]首次使用深度强化学习（deep reinforcement learning，DRL）算法来解决未知崎岖地形中移动机器人导航问题。通过在崎岖地形模拟环境中训练DRL网络，该机器人能够到达目标位置。然而，该算法在规划路径中会出现收敛速度慢、规划路径长等问题。为了解决此问题，Zhao等[43]提出了一种将Q学习算法与经验记忆机制相结合的经验记忆Q-学习（experience-memory Q-learning，EMQL）算法，并将该算法应用到Turtlebot3机器人上。通过静态奖励和动态奖励相结合的双重奖励机制可以帮助机器人在未知环境中避免盲目搜索，提高机器人的学习效率。实验结果表明，EMQL算法对未知环境下的机器人路径规划具有良好的适用性。然而，Q学习需要一个庞大的Q值表，在决策中容易造成维数困难，在复杂情况下很难找到一条优秀的路径。对此，Long等[44]将深度学习与强化学习相结合，利用深度学习的感知优势解决强化学习的决策问题，改善了Q学习算法的不足。仿真结果表明该算法能够有效地实现机器人的避障，并为机器人规划一条从起点到终点的最优无碰撞路径。

4 导航算法优缺点分析

随着科学技术的不断发展，智能机器人技术不断涌现，相应的救援机器人导航算法也不断迭代出新。面对复杂的救援环境，这些算法在定位、地图构建和路径规划等方面不断优化改进，取得了一定效果，但也存在一些不足。下面将针对3种关键技术分别叙述其优缺点。

从本文介绍的定位方法来看，对于复杂的地形环境，每种方法都有各自的优缺点，很难依靠单一的方法或技术实现救援机器人的精准定位。但是现有方法之间的相互补偿具有更大的潜力，可通过融合卡尔曼滤波器、扩展卡尔曼滤波器和其他融合技术，将不同的传感器技术特点结合在一起，以克服单个传感器技术的缺点和不确定性。因此，多传感器定位方法具有更大的优势，适用于需要低成本传感器获得高精度结果的场合，用于解决复杂环境中的定位问题[45]。不同的救援机器人定位方法的优缺点见表1。

表1 不同的救援机器人定位方法优缺点比较

常见救援机器人地图构建方法的优点、缺点和应用场景见表2，可以看出这5种构建地图的方法各有优缺点。尽管学者们针对地图表示方法存在的缺点进行了不断地改进和优化，但他们仍然无法完全有效地对环境进行建模。混合地图表示方法在一定程度上减少了单一地图表示方法存在的问题，比如使用几何拓扑表示方法，拓扑图可以保证全局一致性，几何图可以帮助机器人定位[46]。因此混合地图更适用于复杂的地形环境。

表2 地图表示方法

经调查发现，人工智能算法在机器人路径规划算法中更流行，并且广泛应用于救援机器人的自主导航。常用救援机器人路径规划算法的特征对比和优缺点见表3。从表3中可以看出，这些比较成熟的搜索算法在一般环境中表现较好，但也存在一定的局限性。比如遗传算法对路径规划具有良好的优化能力，但在复杂的未知环境中计算效率会随样本的增加而降低。对此，混合算法能够利用其他算法对其进行改进，最大限度地减少其缺点，从而达到最佳性能[47]。从路径规划的发展趋势来看，混合算法是实现路径规划的最佳算法，能够达到更好的导航效果。

表3 路径规划算法对比

5 展望

目前，国内外救援机器人导航技术都已经取得了一定的技术成果，但也存在一定程度的局限性。为了更好地发挥救援机器人在救援工作中的优势，多传感器融合、构建混合地图、路径规划组合算法应该是未来地面救援机器人导航技术的研究方向。

灾害环境往往较为复杂，在GPS定位、信标定位等全局定位技术都对环境敏感的情况下，机器人的位姿主要通过雷达、相机等相对定位技术来获取，但是使用单一传感器估计机器人位姿时往往会存在测量误差，并不能达到救援机器人所需的定位精度。因此，需要组合其他传感器来实现救援机器人的精确定位。多传感器融合定位能够实现信息互补，最大限度地提高对环境和机器人位置的准确估计，从而为救援机器人的精准建图提供重要保障。

目前，传统的地图表示方法仍然是机器人建图中使用最多的方法。尽管多传感器的使用能够有效改善传统建图的精度，但随着救援机器人应用于复杂环境需求的增加，不但增大了对机器人硬件的要求，而且构建地图的准确性受到重大挑战。因此，研究人员在传统地图表示方法上不断改进，通过结合传统地图表示方法的优点，生成了更灵活、更有效和更可靠的地图，为进行后续的定位和路径规划提供重要的技术支持。因此，混合地图的研究是未来救援机器人构建地图的发展方向。

近年来，基于人工智能的算法被广泛应用于路径规划算法中。单一算法在结构化的环境中表现良好，但其缺点是不适用于非结构化环境。而且救援环境复杂多变将会对救援机器人执行任务产生多种限制条件，导致救援工作变得更加困难。人工智能组合算法能够弥补单一算法的缺点，最大限度地优化这些算法，减少它们的缺点，从而达到最佳性能，以满足救援机器人在实际生活中的应用。因此，人工智能组合算法是救援机器人在路径规划中的发展方向。

6 结语

随着科学技术的不断发展，救援机器人导航技术不断完善。然而面对复杂多变的灾害环境，现有的救援机器人导航技术还不能完全解决救援过程中遇到的困难。因此，不仅要提高机器人的硬件性能，还要提高救援机器人的导航技术，使救援机器人处在未知、复杂的环境时能够根据当前环境实时做出最佳的导航规划，充分发挥救援机器人技术的优势。未来，随着救援机器人导航技术不断优化，救援机器人不仅可以广泛应用于灾后救援，而且在国防、军事等方面将会发挥重要作用。