基于多级特征融合与边界感知学习的双空间优化网络IMFF在高分辨率遥感场景分类中的应用

为解决多机器人系统在复杂三维地形中部署效率低下的问题，研究人员开发了具备爬行、转向和跳跃多模态运动的蝗虫仿生机器人JumpBot，并提出基于深度强化学习(DRL)的多机器人协同算法(MCA)。该算法采用集中训练分散执行(CTDE)框架，结合长短期记忆(LSTM)网络提升协作决策能力。实验表明，多模态运动使路径成本降低22.9%，任务成功率提升至81.2±2.39%，首次实现了跳跃机器人群体的现实场景部署，为陆地机器人智能协作提供了新范式。

　　

在环境监测、灾害救援等应用场景中，多机器人系统面临复杂三维地形的部署难题。传统轮式或履带机器人难以适应崎岖地形，而单一运动模式的仿生跳跃机器人又存在连续机动性不足的缺陷。更棘手的是，现有基于深度强化学习(DRL)的多机器人协同算法多局限于二维仿真环境，无法有效处理三维空间中的动态障碍规避与运动模式切换问题。

针对这一技术瓶颈，来自中国科学院自动化研究所的研究团队创新性地将蝗虫的生物力学特性与智能决策算法相结合。他们开发的JumpBot机器人通过弹簧阻尼轮腿结构实现了爬行、转向和跳跃的多模态运动，其跳跃高度可达1.5米。配合提出的多机器人协同算法(MCA)，该系统首次在真实复杂地形中完成了群体自主部署任务，相关成果发表在《Expert Systems with Applications》。

研究采用三项关键技术：1) 基于Dec-POMDP(分散式部分可观测马尔可夫决策过程)建立三维地形导航模型；2) 在CTDE框架中嵌入LSTM网络处理时序观测数据；3) 开发跨尺度仿真平台验证算法泛化能力。实验设置包含12种随机障碍配置的测试场景，机器人数量从3台逐步扩展至21台。

【Modeling】部分通过动力学分析揭示了弹簧预压缩机制对跳跃稳定性的影响，建立轮腿结构的运动学方程。仿真显示阻尼系数控制在0.3-0.5 N·s/m时可实现95%的着陆稳定性。

【Methodology】章节提出的MCA算法创新性地将LSTM层与Actor-Critic架构结合。在训练阶段，全局状态信息包含所有机器人的位姿、障碍物点云和目标点坐标；执行阶段各机器人仅依赖局部观测。通过设计包含路径长度、能耗和碰撞惩罚的复合奖励函数，算法在100万次训练迭代后收敛。

【Simulation and experiments】数据显示，在20m×20m的复杂地形中，3台JumpBot的平均任务完成时间较纯爬行模式缩短34.7%。当机器人数量增至12台时，系统仍保持78.6%的成功率。值得注意的是，跳跃模式的使用频率与障碍高度呈正相关(r=0.82,p<0.01)。

【Discussion】指出当前系统在21台机器人规模时出现性能拐点，主要源于通信带宽限制导致的决策延迟。作者建议未来可通过5G边缘计算提升系统扩展性。

这项研究的意义在于：1) 首次验证了多模态运动机器人在三维部署任务中的优势；2) 提出的LSTM-CTDE框架为复杂环境下的多智能体决策提供了新思路；3) 搭建的仿真-实景迁移平台具有行业参考价值。正如Qing Shi研究员强调的，该成果"标志着陆地机器人从结构化环境向非结构化地形智能部署的重要跨越"。