编辑推荐：
为解决行星探测车路径规划和跟踪控制中需考虑复杂 3D 地形、运动约束等问题，研究人员开展了改进路径规划和跟踪控制方法的研究。结果表明，改进 A算法规划时间减少 30.05%，多目标弧法提高运动效率。这对行星探测意义重大。
在浩瀚的宇宙探索中，行星探测车就像人类派往其他星球的 “使者”，承担着重要的使命。然而，行星表面的环境极其复杂，这给探测车的行动带来了诸多挑战。比如，火星、月球等行星表面布满了各种崎岖的地形，有高山、峡谷、环形山，还有大小不一的石块，而且这些地形的特征在三维空间中变化多端。同时，探测车自身也有运动方面的限制，它的速度、转向角度等都不能随意改变。在这样的情况下，如何让探测车安全、高效地从一个地点移动到目标地点，成为了一个亟待解决的难题。
传统的路径规划方法在应对这些复杂情况时存在不少问题。像一些基于成本的方法，虽然能找到从起点到终点的路径，但往往没有充分考虑探测车的运动约束，导致规划出的路径可能不适合探测车实际行驶，使得探测车难以准确跟随。而学习 - 基于方法虽然比较灵活，但需要大量的训练数据，并且缺乏可解释性。在局部路径规划方面，现有的算法也存在缺陷，当遇到较大或较密集的障碍物时，容易出现规划失败的情况，使探测车陷入困境。因此，开展新的研究，找到更有效的路径规划和跟踪控制方法，对于行星探测任务的成功至关重要。
为了解决这些问题，研究人员进行了关于行星探测车路径规划和跟踪控制方法的研究。研究人员提出了一种改进的路径规划和跟踪控制方法。下面来看看研究中用到的主要关键技术方法：
- 改进的 A * 算法：基于行星探测车的运动学模型生成 3D 运动基元库，利用运动基元和地形特征改进 A * 算法的状态扩展过程和启发式函数。通过这种方式，将运动基元的成本和地形成本纳入搜索过程，从而生成满足探测车运动约束和 3D 地形限制的全局路径。
- 多目标弧法：根据探测车的运动能力设计可选弧路径集，每个弧路径对应特定的运动（线性和角速度）。通过多目标评估函数选择最优路径，使探测车在跟踪全局路径的同时能够实时避障。
- 障碍物感知技术：采用基于 RGB - D 相机的视觉方法进行障碍物检测。先对 RGB 图像进行灰度转换和分割，再结合深度图像信息，通过计算粗糙度、 elevation step 值等判断区域是否为障碍物，并将其坐标添加到障碍物列表中。
下面来详细了解一下研究结果：
- 全局路径规划测试：研究人员使用改进的基于 A的算法与经典 A算法进行对比实验，采用了玉兔二号收集的小规模真实月球表面数据和研究人员创建的大规模模拟月球表面数据。结果显示，改进的 A算法生成的路径起始和结束方向与初始和目标方向一致，且更加平滑，避免了经典 A算法路径中出现的尖锐拐角，减少了对探测车运行效率的影响。在与经典 A算法的对比中，改进的 A算法规划时间平均节省了 30.05%，虽然路径长度平均增加了 0.80%，但这一增量并不显著。
- 自主导航测试 - 模拟地形：在模拟复杂地形（包含沟壑和环形山）的场景中进行自主导航测试，在 Webots 模拟软件中随机放置岩石作为障碍物。利用改进的 A * 算法生成全局路径，多目标弧法引导探测车跟踪路径。测试结果表明，探测车能够有效避开障碍物，成功跟踪全局路径，展示了其自主导航能力和在车轮速度限制下提高运动效率的能力。
- 自主导航测试 - 月球地形：利用玉兔二号探测数据得到的真实月球 DEM 进行测试，同样在场景中添加岩石作为障碍物。研究结果再次验证了所提算法能有效控制探测车在实际月球地形上避开障碍物，成功跟踪全局路径，进一步证明了该方法在实际月球表面条件下的可行性和有效性。
在结论和讨论部分，研究人员提出的改进路径规划和跟踪控制方法有效地解决了行星探测车在探索任务中自主路径规划的挑战。通过改进的基于 A * 的全局规划方法，生成的全局路径满足探测车的运动约束，并考虑了地形的各种特征，如粗糙度、坡度、高度等。多目标弧法使得探测车能够沿着全局路径安全高效地行驶，通过选择最优弧路径实现实时避障和准确跟踪。该研究成果对于提高行星探测车的探测能力和安全性具有重要意义，为未来的行星探测任务提供了更可靠的技术支持。而且该方法还在第 18 届 “挑战杯” 全国大学生课外学术科技作品竞赛中获得国家二等奖，这也进一步证明了其价值。该研究成果发表在《Biomimetic Intelligence and Robotics》上，为相关领域的研究提供了新的思路和方法，推动了行星探测技术的发展。
