鐘繼康，李 鵬，趙品輝，楊麗英，何玉慶*

（1. 中國科學(xué)院沈陽自動化研究所機(jī)器人國家重點實驗室，沈陽 110016；2. 中國科學(xué)院網(wǎng)絡(luò)控制系統(tǒng)重點實驗室，沈陽 110016；3. 中國科學(xué)院機(jī)器人與智能制造研究所，沈陽 110016；4. 中國科學(xué)院大學(xué)計算機(jī)科學(xué)與技術(shù)學(xué)院，北京 100049）

1 引 言

隨著機(jī)器人技術(shù)的不斷發(fā)展，多機(jī)器人協(xié)作系統(tǒng)因其諸多優(yōu)點而成為機(jī)器人研究和應(yīng)用領(lǐng)域的熱點［1］。與執(zhí)行重復(fù)性任務(wù)的傳統(tǒng)機(jī)器人不同，協(xié)作機(jī)器人傾向于作為合作伙伴，在工作中相互合作?；蛘弋?dāng)人類處于安全的環(huán)境中，操作多個機(jī)器人以適應(yīng)動態(tài)環(huán)境，在復(fù)雜危險的環(huán)境中完成多功能任務(wù)。在2011 年東日本大地震中，美國機(jī)器人輔助搜救中心與日本國際救援系統(tǒng)研究所利用多臺機(jī)器人協(xié)同進(jìn)行受害者救援和災(zāi)后環(huán)境測繪［2］。Tardioli 等［3］介紹了一種救援機(jī)器人團(tuán)隊，用于在采礦事故或隧道坍塌等受限和結(jié)構(gòu)化環(huán)境中進(jìn)行干預(yù)任務(wù)。

青藏高原及其周邊地區(qū)被譽(yù)為“亞洲水塔”和世界“第三極”［4］。青藏高原東南部受印度季風(fēng)的影響，是海洋（溫帶）冰川發(fā)育最重要和最集中的地區(qū)，是世界上僅次于極地冰蓋的第二大冰川聚集地。近幾十年來，世界各地的冰川都經(jīng)歷了重大的退縮和質(zhì)量損失。冰川消融帶來的災(zāi)害將對其下游流域的人口產(chǎn)生負(fù)面影響。作為亞洲十多條主要河流的搖籃，青藏高原也影響著地球上二十多億人的社會經(jīng)濟(jì)活動。青藏高原冰川的相關(guān)研究引起了廣泛關(guān)注［4-6］。機(jī)器人的輔助可以加速科學(xué)數(shù)據(jù)的收集，增加數(shù)據(jù)在時間和空間上的密度，因此利用機(jī)器人探索冰川是一種較好的冰川研究方案。Jouvet 等［7］使用垂直起降無人機(jī)來監(jiān)測格陵蘭西北部鮑登冰川的日常運動及其主羽流的動態(tài)，結(jié)合冰流模型或非穩(wěn)定羽流模型，收集有關(guān)基巖深度、融水排放或潮汐冰川冰下融化速率的信息。Bash 等［8］使用無人機(jī)（Unmanned Arial Vehicle，UAV） 以及運動結(jié)構(gòu)攝影測量（Structure from Motion，SFM）在新南威爾士州噴泉冰川消融區(qū)0.185km2的區(qū)域內(nèi)進(jìn)行了三次無人機(jī)成像任務(wù)，在努納武特噴泉冰川消融區(qū)采集了圖像用于確定分布的表面熔體，用于研究冰川表面融化與水流的關(guān)系［9］。Rohner［10］等使用UAV、差分GPS 和地面雷達(dá)干涉儀等手段收集了三個獨立的冰川流量參考測量值，用于限制冰動力學(xué)模型以及對冰川質(zhì)量的估計。D?bski 等［11］使用固定翼無人機(jī)在超視距繪制了喬治王島（南設(shè)得蘭群島）128號南極特別保護(hù)區(qū)生態(tài)冰川、斯芬克斯冰川和巴拉諾夫斯基冰川前緣的地貌組合，并推斷了冰川動力學(xué)。Williams 等［12］利用基于視覺的里程計系統(tǒng)的傳感器和無人車（Unmanned Ground Vehicle，UGV）的測量導(dǎo)航規(guī)則來重建感興趣的科學(xué)區(qū)域，目的是監(jiān)測冰川地區(qū)的海拔變化，并在阿拉斯加冰川進(jìn)行了實驗。Das 等［13］設(shè)計了一款輕型機(jī)器人車輛用于在無法支撐徒步旅行的冰殼上的裂縫進(jìn)行探地雷達(dá)（Ground Penetraton Radar，GPR）調(diào)查，收集雪樣本，并在對人類而言存在危險的地形上用透度計進(jìn)行地下實驗、雪崩碎片的GPS 測繪等。Williams 等［14］采用完全自主機(jī)器人，評估結(jié)合三種機(jī)器學(xué)習(xí)算法，利用GPR 進(jìn)行冰川數(shù)據(jù)采集。雖然機(jī)器人輔助可以提高冰川數(shù)據(jù)收集效率，但是目前的UAV 只能用于獲取冰川的表面參數(shù)。而UGV 由于其運動特性，多數(shù)只能在地形平坦、坡度平緩的場景中運行，無法勝任極復(fù)雜環(huán)境下的勘探任務(wù)。

本文以青藏高原廓瓊崗日冰川為探測對象，提出一種基于空地協(xié)同的冰川探測系統(tǒng)。系統(tǒng)采用空地協(xié)同與人機(jī)協(xié)同的作業(yè)方式，同時搭載探冰雷達(dá)（Ice-penetrating Radar，IPR）和單目相機(jī)等探測載荷，完成了青藏高原廓瓊崗日冰川大范圍高密度地表環(huán)境和冰厚數(shù)據(jù)的采集。結(jié)果證明多機(jī)器人協(xié)作能夠較好地完成高海拔冰川探測任務(wù)?；诳盏貐f(xié)同的冰川探測系統(tǒng)為高原山地冰川研究提供了新方案。

本系統(tǒng)的測試場地廓瓊崗日冰川海拔高度在5543～5933m 之間，冰川表面覆蓋堅硬的冰面并且由于夏季融雪，冰川表面存在由冰雪融化形成的小溪，寬度從幾厘米到幾米不等。由于表面融水的存在，冰川表面十分光滑。冰川坡度最大為35°，平均坡度為25°，研究人員需穿著冰爪才可艱難爬升。針對青藏高原廓瓊崗日冰川的表面環(huán)境，UGV的穿越探索任務(wù)主要面臨以下挑戰(zhàn)：

（1）冰川地形是典型的冰雪覆蓋陡坡，可能會導(dǎo)致地面機(jī)器人側(cè)滑、側(cè)翻、動力不足；

（2）冰川表面覆蓋的小溪，可能會給機(jī)器人探索造成潛在的陷阱；

（3）不同冰川區(qū)域、溫度變化、天氣突變等導(dǎo)致地形表面物理特征變化劇烈；

（4）冰川的高海拔、低溫和大風(fēng)等對UAV 和UGV工作性能的影響不可忽視。

事實上，在未知和極端條件下的導(dǎo)航和探索是科學(xué)機(jī)器人的十大挑戰(zhàn)之一。此外，在崎嶇的地形上駕駛對于UGV 來說也是一個很大的難題。本文目標(biāo)則是通過復(fù)雜的多機(jī)器人系統(tǒng)，高效地獲取密集的冰厚測量數(shù)據(jù)。

2 冰川探測系統(tǒng)架構(gòu)

為此，設(shè)計了如圖1所示的空地機(jī)器人探索系統(tǒng)，用以在冰川表面進(jìn)行如下任務(wù)：

圖1 系統(tǒng)架構(gòu)概述Fig.1 System architecture overview

UAV 可以在高海拔冰川的低壓、強(qiáng)風(fēng)環(huán)境下飛行，并具備穩(wěn)定的通信和視覺鏈接與跟蹤能力，所搭載的單目攝像頭在跟蹤UGV 時負(fù)責(zé)實時記錄UGV 狀態(tài)。UGV 在視距外工作時，UAV 作為UGV與地面站（Ground Station，GS）之間的通信中繼，保持通信穩(wěn)定。

UGV 配備了四個履帶式車輪，其車架設(shè)計保證UGV 可以適應(yīng)冰川上覆蓋雪、水和裂縫的地形。大容量油箱配合發(fā)電機(jī)的方式保證能源儲備和功率輸出。系統(tǒng)設(shè)計使UGV 在低溫和高海拔環(huán)境中也能穩(wěn)定工作。UGV 搭載的IPR 系統(tǒng)可以采集冰層厚度信息，建立冰川厚度模型。

GS 作為總指揮，在系統(tǒng)運行過程中根據(jù)環(huán)境狀況與各分系統(tǒng)實時傳回的狀態(tài)數(shù)據(jù)指揮各系統(tǒng)的運行。GS 配備了組網(wǎng)電臺用以對UAV 和UGV 進(jìn)行通信，差分GPS 主要用以保障UAV 和UGV的定位精度，多臺主機(jī)用來監(jiān)視各平臺狀態(tài)。

在進(jìn)行冰川探測任務(wù)時，UGV 首先探索視距內(nèi)的冰川，在這段時間，GS與UGV之間由于沒有山體遮擋，可以直接利用組網(wǎng)電臺實現(xiàn)二者之間的點對點通信。操作員可以根據(jù)冰川環(huán)境和車載攝像機(jī)傳回的圖像來對UGV 下一步行動做出指示。當(dāng)UGV 進(jìn)入視距范圍之外時，由于山體阻擋，通信中斷，隨后UAV 啟動。UGV 將位置信息通過數(shù)傳發(fā)送給UAV。UAV 根據(jù)UGV 的位置信息到達(dá)指定地點后，通過機(jī)載攝像機(jī)捕捉UGV 及周邊環(huán)境影像，GS 通過UAV 搭載的組網(wǎng)電臺與UGV 重新建立通信，并根據(jù)預(yù)先建立的冰川表層環(huán)境模型與機(jī)載攝像機(jī)傳回的影像和UGV 狀態(tài)信息，給出下一步行動指令，在此期間，UAV 作為GS 與UGV 之間的通信中繼站，根據(jù)空地協(xié)同策略持續(xù)對UGV進(jìn)行跟蹤，保證通信穩(wěn)定。

3 空地協(xié)同系統(tǒng)技術(shù)方案

本文設(shè)計的人機(jī)協(xié)同、空地協(xié)同系統(tǒng)能夠適應(yīng)極其復(fù)雜的高原山地冰川環(huán)境，實現(xiàn)高效的冰川探索。針對空地協(xié)同系統(tǒng)的特點和冰川研究任務(wù)，首先利用輕量化的冰川表面環(huán)境建模方法，獲得最新的冰川表面環(huán)境數(shù)據(jù)，包括高程信息、地形地勢等，為后續(xù)任務(wù)提供數(shù)據(jù)支持。然后，建立駕駛技能模型并構(gòu)筑增量式學(xué)習(xí)方法，針對不同的冰川環(huán)境為駕駛員提供操作建議，并對車輛未來狀況進(jìn)行預(yù)測，在提高UGV 對山地冰川復(fù)雜環(huán)境適應(yīng)性的同時使駕駛行為更加智能化。最后，提出的空地協(xié)同策略保證了UGV 在視距外工作時與GS 通信鏈路的穩(wěn)定，進(jìn)一步保障了系統(tǒng)在冰川探索時的安全與穩(wěn)定。

本節(jié)將對上述方法進(jìn)行介紹，由于冰川表面環(huán)境建模方法不是本文重點，所以只進(jìn)行簡要描述，更多細(xì)節(jié)請參閱文獻(xiàn)［15］。

3.1 冰川表面環(huán)境建模

在冰川表面環(huán)境建模中，首先采用UAV 單光吊艙相機(jī)采集冰川表面圖像數(shù)據(jù)，UGV 攜帶IPR采集冰層厚度數(shù)據(jù)。然后，使用SFM 和拼接技術(shù)生成曲面三維點云模型。隨后，采用一種輕量級地形建模和預(yù)測框架，將點云模型轉(zhuǎn)換成一個數(shù)據(jù)量更小的模型，同時不會造成嚴(yán)重的精度損失。該框架包括數(shù)據(jù)預(yù)處理、多分辨率高程濾波、地表劃分和地形推斷等步驟，較好地解決了現(xiàn)場非結(jié)構(gòu)化環(huán)境建模面臨的四個問題，具體如下：

（1）測距儀或相機(jī)收集的地形數(shù)據(jù)會因為傳感器的噪聲和機(jī)器人定位誤差影響產(chǎn)生厘米級單位的誤差；

（2）由于視角等原因，部分地形間隙被阻擋或未被觀察到，導(dǎo)致數(shù)據(jù)不完整；

（3）在大尺度地形中，由于地形結(jié)構(gòu)復(fù)雜，捕獲的數(shù)據(jù)量大，導(dǎo)致計算量和內(nèi)存消耗大；

（4）非結(jié)構(gòu)化環(huán)境更復(fù)雜，具有地形梯度等多種屬性，對地形適應(yīng)性要求高。

而通過本文提出框架得到的全范圍、準(zhǔn)確和輕量級的3D模型可以為后續(xù)探測奠定如下基礎(chǔ)：

（1）通過全局路徑規(guī)劃器的先驗地圖生成可行路徑，為操作員提供路徑參考，如圖2（a）所示；

圖2 輕量化建模結(jié)果Fig.2 Lightweight modeling results

（2）UAV 可以參考地形模型中的高程信息來調(diào)整空對地協(xié)同任務(wù)中的飛行高度，如圖2（b）所示；

（3）提取作為增量式模型的輸入特征之一的地形信息，如圖2（c）所示。

3.2 駕駛技能學(xué)習(xí)方案及相關(guān)算法

在實際應(yīng)用中，操作員只能通過UAV 傳輸?shù)囊曨l和地面車傳回的狀態(tài)數(shù)據(jù)在視距外干預(yù)UGV的行動。在這種情況下，UGV 無論是在自主模式還是在人工操作模式下想要在高原冰川的崎嶇地形中進(jìn)行探索都具有很大的挑戰(zhàn)性。因此，本節(jié)中提出了一種UGV 駕駛技能建模方案。通過駕駛數(shù)據(jù)、車輛狀態(tài)數(shù)據(jù)與地形數(shù)據(jù)之間的相關(guān)分析，建立簡潔高效的駕駛技能模型。然后構(gòu)筑增量式學(xué)習(xí)方法，使駕駛技能模型快速適應(yīng)冰川環(huán)境和復(fù)雜地表結(jié)構(gòu)。

數(shù)據(jù)形式可表示為{(Xt-n，…，Xt-1)，Yt}，其中輸入和輸出數(shù)據(jù)形式分別為

式中，Xt中的參數(shù)分別代表t時刻的地形信息、位置信息、姿態(tài)信息、駕駛信息、油門信息與預(yù)定目標(biāo)信息。

設(shè)定kt(x)為t時刻的特征空間投影函數(shù)，Dt為t時刻的字典，t時刻的特征矩陣為Φt=[kt(X1)，…，kt(Xt)]T。則駕駛技能模型為

式中，n為節(jié)點數(shù)，m是輸出維度，ωi，j是從第i節(jié)點到第j輸出的連接權(quán)重。駕駛技能模型可以根據(jù)環(huán)境信息以及車輛的狀態(tài)給出推薦的操作并預(yù)測車輛未來狀態(tài)。

首先利用相關(guān)性分析確定對駕駛技能模型較為關(guān)鍵的信息，建立高效精簡的駕駛技能模型框架為

之后，以數(shù)據(jù)流模式在線增量式拓展模型。

具體實踐中：當(dāng)新數(shù)據(jù)到來時，利用近似線性相關(guān)（Approximate Linear Independence，ALD）準(zhǔn)則判別當(dāng)前模型對到來數(shù)據(jù)的線性相關(guān)近似程度。當(dāng)近似程度大于設(shè)定閾值時，判別為舊模態(tài)，利用當(dāng)前數(shù)據(jù)對模型進(jìn)行微調(diào)優(yōu)化。當(dāng)近似程度小于設(shè)定閾值時，判別為新模態(tài)，會擴(kuò)展模態(tài)維度并增加新的垂直基函數(shù)來適應(yīng)新到來的數(shù)據(jù)對，因為新增加的基函數(shù)垂直于之前的舊維度，所以對之前的數(shù)據(jù)也會保留較好的擬合效果。

當(dāng)輸入是一個新的模態(tài)時，則通過增加模態(tài)字典St的長度來擴(kuò)展模型結(jié)構(gòu)，

式中，

算法1給出了駕駛技能學(xué)習(xí)方案的偽代碼。

其中λ為L2 范數(shù)的權(quán)重，at為滿足ALD 條件的系數(shù)，ktt=k(xt，xt)。

否則，對相關(guān)結(jié)構(gòu)進(jìn)行微調(diào)，使模型結(jié)構(gòu)更加一般化，新參數(shù)可通過公式計算

式中，

然后建立迭代預(yù)測算法，將駕駛技能模型的一步預(yù)測結(jié)果返回到式（3）的輸入中進(jìn)行多步預(yù)測，為駕駛員提供合理的駕駛建議和可視化的未來車輛狀況預(yù)測。該模型使用了t-n到t- 1時刻的歷史數(shù)據(jù)序列(Xt-n，…，Xt-1)來預(yù)測車輛推薦的油門和轉(zhuǎn)向值，以及t時刻的未來狀態(tài)和位置信息Yt。

下一步，使用滑動窗口刪除數(shù)據(jù)Xt-n，并將t時刻得數(shù)據(jù)Xt添加到隊列的前面。將新的數(shù)據(jù)序列(Xt-n+1，…，Xt)輸入模型，預(yù)測t+ 1 時刻Yt+1的值為

然后對后面的時間進(jìn)行迭代預(yù)測，將預(yù)測到的位置連接形成預(yù)測軌跡，這個軌跡上的每個點就是由目標(biāo)引導(dǎo)的t時刻的位置預(yù)測。

式中，t是預(yù)測時間，Taa是輸入的目標(biāo)點，PTaat是引導(dǎo)到Taa的路徑上時刻t的預(yù)測位置。

進(jìn)一步，在目標(biāo)點附近選取多個備選目標(biāo)點，將模型輸入中的目標(biāo)點替換，并以相同的方式進(jìn)行迭代預(yù)測，獲得多個備選預(yù)測軌跡

由此，可以結(jié)合冰川表面地形狀況對軌跡的安全性進(jìn)行判斷，然后根據(jù)路徑的平穩(wěn)性和穩(wěn)定性對路徑進(jìn)行綜合評價，最后給出定量評價結(jié)果，將多個推薦路徑融合為一個操作范圍。如此，模型可以基于環(huán)境信息和UGV 的狀態(tài)相應(yīng)來給出駕駛建議參考。此外，模型還可以基于環(huán)境信息、車輛狀態(tài)和實際操作來預(yù)測UGV 的未來狀態(tài)。操作員可以根據(jù)這些信息來做出決策并實施控制車輛運行。本節(jié)僅對模型相關(guān)內(nèi)容作概述性描述，更詳細(xì)的建模細(xì)節(jié)內(nèi)容請參考文獻(xiàn)［16］。

3.3 空地協(xié)同方案及算法

在冰川探測工作中，需要UAV 與UGV 在感知層和行為層進(jìn)行協(xié)作。感知層協(xié)作主要體現(xiàn)在冰川建模中，而行為層協(xié)作則體現(xiàn)在如下兩個方面：

（1）UAV 需要保持對UGV 的跟蹤并將攝像頭捕獲到的視頻傳回GS；

（2）在UGV 工作范圍超出視距時，UAV 需要自主調(diào)節(jié)與GS 和UGV 之間的距離，保持通信暢通。

為了實現(xiàn)上述功能，本文將協(xié)同問題抽象為考慮UAV 機(jī)動性、無人機(jī)能耗、水平距離約束和視距（Line-of-Sight，LOS）約束的軌跡規(guī)劃問題，如圖3所示。

圖3 協(xié)同策略Fig.3 Cooperative strategy

優(yōu)化函數(shù)：考慮到UAV 在策略中的作用，在跟蹤UGV 時需要保持與UGV 的距離，實時觀察UGV 的狀態(tài)。而作為中繼站時，UAV 需通過調(diào)整自身飛行高度以保持GS 和UGV 之間的良好通信。而通常情況下更小的飛行高度意味著更小的能耗。因此，以UAV 的飛行高度為優(yōu)化函數(shù)，并最小化UAV 的垂直飛行距離，其主要思想是在保持中繼通信順暢的同時，盡可能降低UAV 的功耗。優(yōu)化函數(shù)定義為

式中，p是預(yù)測步驟，zA(t+k)是t+k時刻無人機(jī)的高度。

約束：LOS約束限制了UAV在UGV和GS之間構(gòu)建LOS 鏈路，以保持平穩(wěn)的通信，約束由下式給出：

式中，PA=(xA，yA，zA) 是UAV 的位置，PGS=(xGS，yGS，zGS)是GS 的位置，PV=(xV，yV，zV)是UGV 的位置。ΔZi(PA，PGS) =zi-f(xi，yi)是起于PGS終于PA的空間直線上的第i個點的高度差。在指定的間隔時間ds內(nèi)取一個點，然后總共就有i個點，函數(shù)INT(·)表示十進(jìn)制被刪除并四舍五入到最接近的整數(shù)）。zi=zGS+為空間直線上的高度值，也為實際高程圖中坐標(biāo)對應(yīng)的地表高程值。

水平距離約束用于確保UAV 始終跟蹤UGV，以捕獲并將視頻傳輸給操作員，簡化遠(yuǎn)程連接

式中，PA，h=(xA，yA)，PV，h=(xV，yV)，d為UAV與UGV之間的最大水平距離。

考慮UAV 的可操作性，使用橢圓球體約束如下：

式中，ΔPA(t+k)=PA(t+k)-PA(t+k-1)，a，b，c代表UAV 在XYZ三個方向上以不同的最大速度飛行一步的距離，A=diag(a-1b-1c-1)為對角矩陣。

高度差約束限制了無人機(jī)的最小和最大飛行高度，以保證無人機(jī)在傳輸視頻時的飛行安全和適當(dāng)?shù)囊曈颍?/p>

式中，ΔzA(t+k) =zA(t+k) -zV(t+k)為最大垂直高度差。

在具體實踐中，UGV 首先在駕駛員的操作下在冰川上進(jìn)行任務(wù)。當(dāng)UGV 駛?cè)胍暰嗤鈺r，由于地形的遮擋，駕駛員無法確定車輛狀態(tài)與環(huán)境狀況，并且遮擋會影響UGV 與地面站之間的通信。此時，使用UAV 作為中繼站，在有地形遮擋的條件下保持通信暢通。通過UAV 與UGV 平臺各自攜帶的差分GPS，UAV 能時刻根據(jù)UGV 的位置和冰川地表模型提供的高程信息來調(diào)整自己的位置。由此，空地協(xié)同系統(tǒng)可以借助人機(jī)、多機(jī)協(xié)同實現(xiàn)對復(fù)雜高原冰川的探索任務(wù)。

4 冰川探測系統(tǒng)實際驗證與現(xiàn)場應(yīng)用

如第2、3 節(jié)所述，本文設(shè)計并實現(xiàn)了一套基于空地協(xié)同的冰川探測系統(tǒng)，該系統(tǒng)能夠適應(yīng)復(fù)雜的高原山地及冰川環(huán)境，為驗證本系統(tǒng)的能力，于2022 年6 月在西藏廓瓊崗日冰川上進(jìn)行現(xiàn)場實驗驗證與應(yīng)用，圖4為實驗示意圖。

全部實驗分為三個部分，冰川環(huán)境建模、駕駛技能學(xué)習(xí)與多機(jī)協(xié)同策略驗證。通過冰川環(huán)境建模，可以獲得輕量化的模型，并為后續(xù)實驗提供地形信息（包括高程信息、地表環(huán)境等）、區(qū)域安全度劃分以及路徑規(guī)劃等結(jié)果。本節(jié)將重點介紹駕駛技能學(xué)習(xí)及多機(jī)協(xié)同策略的驗證實驗及相關(guān)結(jié)果分析。

4.1 駕駛技能學(xué)習(xí)方法驗證與結(jié)果

如圖4 所示，在駕駛技能學(xué)習(xí)中，在冰川地形數(shù)據(jù)的基礎(chǔ)上，分析地形的復(fù)雜性，選擇地形特征豐富的區(qū)域作為實驗場地。讓UGV 在區(qū)域中漫游，收集該地區(qū)的駕駛實驗數(shù)據(jù)，并分析了各種模態(tài)數(shù)據(jù)的相關(guān)性，建立了駕駛技能模型，并進(jìn)行了增量訓(xùn)練來對模型進(jìn)行更新和調(diào)整。

為了驗證模型的有效性，在復(fù)雜的冰川環(huán)境中選擇了一個具有一定駕駛難度的區(qū)域，利用5個目標(biāo)點來引導(dǎo)車輛通過具有不同模態(tài)特征的局部區(qū)域（如圖5 所示）。首先使用駕駛技能模型生成多個候選軌跡，并產(chǎn)生可視化的駕駛操作建議范圍。接下來對有模型建議和沒有模型建議的兩個巡邏任務(wù)的結(jié)果進(jìn)行分析。

圖5 駕駛技能模型實驗方案Fig.5 Driving skill model experiment scheme

圖6（a）為模型訓(xùn)練階段的曲線，代表了增量訓(xùn)練的效果。如第3 節(jié)中描述，模型在新的數(shù)據(jù)到達(dá)時，對各模態(tài)數(shù)據(jù)進(jìn)行相關(guān)性分析，并將數(shù)據(jù)投影到高位抽象模態(tài)。通過例如A 和B 點的數(shù)據(jù)，根據(jù)現(xiàn)有參數(shù)的擬合效果判斷新數(shù)據(jù)是否對應(yīng)一個新的模態(tài)。從擬合效果曲線和誤差曲線可以看出，新的數(shù)據(jù)擬合效果差且誤差增大，這說明該數(shù)據(jù)屬于新模態(tài)。由此，使用新數(shù)據(jù)增加模型結(jié)構(gòu)，擴(kuò)充模態(tài)字典，最后，逐步完成增量訓(xùn)練。

圖6 駕駛技能模型實驗結(jié)果Fig.6 Experimental results of driving skill model

圖6（b）為駕駛操作任務(wù)對比，該實驗是在有/無模型建議情況下的巡邏實驗。在該實驗中，沒有模型輔助的車輛中途失敗，而有駕駛技能模型輔助的實驗車輛成功完成了巡邏任務(wù)。通過收集和比較兩次實驗中的駕駛數(shù)據(jù)和模型建議，可以看出，失敗實驗中的實際駕駛操作與模型的建議產(chǎn)生了偏差，隨著偏差的逐步增大，逐漸偏離了正確的方向，而成功任務(wù)中則沒有這種偏差。造成這種情況有很多因素，例如在存在融水的冰川環(huán)境中，由于地面摩擦的減少，模型會根據(jù)環(huán)境變化給出增加橫向減速來增加摩擦的建議。而在缺少該建議的情況下，車輛產(chǎn)生了打滑，最終導(dǎo)致任務(wù)失敗。

4.2 空地協(xié)同策略驗證與結(jié)果

圖4 中第三部分區(qū)域?qū)嶒?，是對文中所提的空地協(xié)同策略的驗證。在實驗中，當(dāng)UGV 行駛到超視距范圍后，為了保證UGV 與GS 之間的良好通信，避免由于山地遮擋導(dǎo)致UGV 通信中斷，中繼UAV 開始工作。中繼UAV 跟蹤UGV 并保持距離，使用機(jī)載攝像機(jī)捕捉UGV 及周邊環(huán)境圖像后將圖像傳回地面站，并作為通信中繼保持與GS和UGV 之間的通信。在UGV 運行時進(jìn)行跟蹤并自動調(diào)整其高度，以確保視頻傳輸良好，通信完善。

首先，通過仿真確定了策略中的關(guān)鍵參數(shù)（預(yù)測步長p、最大高差h和最大水平距離d）的值。當(dāng)預(yù)測步長p= 1 時，算法運行一個周期耗時0.834s，滿足實時性要求；當(dāng)最大高度差h=15 m，最大水平距離d= 10 m 時，無人機(jī)總飛行距離為400 m，能耗最小。

然后，在實際任務(wù)中，通過對比系統(tǒng)在應(yīng)用協(xié)同策略和未應(yīng)用協(xié)同策略時記錄的UAV 跟蹤誤差以及UGV與GS之間的組網(wǎng)延遲，來檢驗協(xié)同策略的效果。如圖7（a）所示，系統(tǒng)在160～550s 這段時間應(yīng)用了協(xié)同策略，UAV 的各方向跟蹤誤差與未應(yīng)用相比有顯著改善。而對于圖7（b），在未應(yīng)用協(xié)同策略時，UGV與GS之間的連接中斷，無法通信。

圖7 協(xié)同策略實驗結(jié)果Fig.7 Experimental results of collaborative strategy

4.3 冰川環(huán)境建模結(jié)果

對實驗得到的原始IPR 數(shù)據(jù)（如圖8（a）所示）進(jìn)行處理，得到清晰的冰巖結(jié)構(gòu)圖像，并根據(jù)圖像提取各測點的冰厚數(shù)據(jù)。然后，將每個測點的冰厚數(shù)據(jù)與GPS 數(shù)據(jù)結(jié)合，可以得到冰厚分布數(shù)據(jù)（如圖8（b）所示）。接下來，將已有的冰厚數(shù)據(jù)使用高斯過程回歸模型進(jìn)行訓(xùn)練，并將新的冰厚數(shù)據(jù)進(jìn)行插值，得到實驗地區(qū)冰川的冰厚分布模型（如圖8（c）所示）。最后，使用KDtree將輕量化冰川表面環(huán)境模型與冰厚模型進(jìn)行匹配，得到完整的三維冰川模型（如圖8 （d）所示）。

圖8 冰川環(huán)境建模結(jié)果Fig.8 Modeling results of glacier environment

5 結(jié) 論

為了實現(xiàn)連續(xù)、高效、準(zhǔn)確的冰厚分布和體積估算，本文設(shè)計并實現(xiàn)了基于UAV 和UGV 空地協(xié)同，并可以安全智能穿越極其復(fù)雜的高原和山地冰川環(huán)境的協(xié)同探測系統(tǒng)?？盏貐f(xié)同策略有助于UGV 平臺在冰川上進(jìn)行大規(guī)模探測。駕駛技能模型為UGV 提供更安全、更可靠的駕駛建議，使冰川探險更安全、更智能。輕量級建?？蚣芸梢蕴峁┹p量級、精確的模型來模擬復(fù)雜、不準(zhǔn)確的表面環(huán)境，為冰川研究提供了新的解決方案。

但是，本文所提方法仍然存在一定的局限性。首先，在極特殊區(qū)域，UGV的穿越能力難以確定；其次，由于高原山區(qū)地形復(fù)雜，風(fēng)險性大，冰川探測系統(tǒng)仍需要不斷的人為干預(yù)。未來的研究重點將集中在機(jī)器人的智能學(xué)習(xí)方法上，進(jìn)而提高其對高原惡劣天氣、復(fù)雜環(huán)境和特殊任務(wù)的適應(yīng)能力。