搜救任务要求机器人系统能够探索未知环境，在有限的时间预算内保持进展，并提高发现受害者的概率。在室内灾难场景中，探索问题不仅限于地图覆盖。即使所有候选前沿都从当前机器人姿态可达，它们在可达性、可见性和预期救援价值上也可能存在差异。因此，适用于一般探索的前沿选择策略可能并不最适合搜救任务。
四足机器人是解决这一问题的相关平台，因为它们能够在杂乱空间中移动，并在可能限制轮式系统的条件下保持运动能力。这种机动性使它们适合在部分结构化环境中进行侦察和受害者搜索。然而，仅凭腿式移动的优势是不够的。一旦有多个探索替代方案可用，机器人不仅要决定在哪里可以观察到新空间，还要决定在哪里更有可能取得与救援相关的进展。在布局包含多个分支、部分遮挡和杂物的环境中，这种困难更加明显，这些因素削弱了纯粹几何前沿选择的有效性。
本文提出了一种面向单机器人四足搜救的情境感知前沿优先策略。该方法保留了前沿探索的结构，但扩展了前沿评分，加入了救援相关性、观测不足、地形惩罚和行进成本。这样，在保持地图扩展的同时，优先选择更有可能提高救援性能的前沿。文中展示了所提框架的概述，包括两个评估场景、感知与建图流程、前沿优先机制以及主要评估标准。
该方法在两个模拟室内环境中进行了评估。第一个场景故意简单，用作完整性检查。第二个场景引入了更高程度的杂乱和分支结构，用作主要对比案例。结果表明，所有方法都能解决简单场景，而更大更复杂的场景则有所不同。在该场景中，所提方法实现了最高的完成率和最高的受害者找回率。这些结果表明，当前沿选择不再简单且必须平衡救援效用与覆盖范围时，情境感知前沿优先策略最为有益。
本文的主要贡献总结如下：
- 一种面向单机器人四足搜救的情境感知前沿优先方法，其中前沿选择由信息增益、观测不足、救援相关性、地形惩罚和行进成本共同指导。
- 一种基于模拟的评估协议，用于在两个难度不同的室内环境中进行四足搜救，包括简单场景和旨在揭示前沿选择行为差异的复杂场景。
- 与最近前沿、信息增益和风险感知基线进行实验对比，表明所提方法在复杂场景中实现了最佳的完成率和受害者找回率。
相关工作
基于前沿的探索是未知环境中自主探索最成熟的方法之一。在经典公式中，前沿被定义为已知自由空间和未知空间之间的边界，机器人被引导向这些边界之一以扩展已映射区域。这种方法因其简单性而具有吸引力，但它本身并不区分同样可达但任务相关性不同的前沿。
基于信息的探索通过根据预期的建图效用（通常通过熵减少或信息增益）对候选前沿进行排名来扩展这一思想。该公式比纯最近前沿选择更强，因为它试图最大化地图改进，而不仅仅是减少行进距离。然而，其目标仍然是主要探索性的。在搜救中，如果信息量最大的前沿与受害者发现的相关性不高，仅信息增益可能不足。
风险感知探索通过考虑执行失败的概率、地形难度或探索过程中的不确定性来引入不同的重点。这些方法在挑战性环境中很有价值，因为它们减少了激进但不安全行为的可能性。然而，风险感知方法也不一定具备救援感知。一个前沿可能是安全且信息丰富的，但仍与受害者搜索目标关联较弱。
尽管基于前沿的探索、信息驱动的探索和风险感知导航为自主搜索提供了坚实的基础，但对于四足搜救仍存在一个重要空白。现有方法主要针对一般探索目标（如覆盖、不确定性减少或安全运动）设计，但它们没有根据救援效用显式地对前沿进行排名。在搜救中，这是一个相关的限制，因为最近或对建图信息量最大的前沿可能不是最支持受害者发现的前沿。在杂乱环境中，这种差距变得更加明显，因为前沿选择不再简单。
这项工作与先前的最近前沿、信息增益和风险感知探索方法不同，它为四足机器人引入了面向救援的前沿选择策略。所提方法保留了前沿探索框架，但通过增加救援相关性和观测不足以及地形惩罚和行进成本来增强它。因此，该方法不仅旨在扩展地图，还旨在将探索偏向于更有可能改善救援结果的前沿。因此，本文解决了通用探索策略与任务感知搜救探索之间的差距，并在决策复杂性递增的室内环境中评估了这种差异。
问题定义
考虑在初始未知的室内搜救环境中操作的单四足机器人。机器人必须自主探索地图，导航通过杂乱的通道，并在固定的任务时间预算内最大化找到受害者的概率。设从当前占用地图中提取候选前沿。决策问题是在每个规划周期选择最能平衡地图扩展和救援导向效用的前沿。
所提方法根据五个项的加权组合为每个前沿分配分数：信息增益、观测不足、救援相关性、地形惩罚和行进成本。该公式保留了基于前沿探索的简单性，但将其扩展到搜救目标。信息增益促进持续的地图扩展，观测不足偏向于仍未充分探索的区域，救援相关性优先考虑与更高受害者搜索潜力相关的前沿，地形惩罚阻止困难或危险的区域，行进成本避免不必要的昂贵运动。
系统架构
整个系统组织为感知、规划、执行流水线，在 ROS 2 中实现，并在 Gazebo 仿真中使用 Unitree Go2 四足模型进行评估。该架构包含四个主要模块：建图、前沿生成与评分、受害者处理以及本地运动执行。
机器人使用机载传感逐步更新环境局部占用表示。该地图用于区分已知自由空间、占用空间和未知区域。同时，机器人状态估计流水线提供地图更新、前沿提取和运动控制所需的姿态。因此，建图层是所有评估方法的共同信息源。
所提方法：情境感知前沿优先
所提方法（称为情境感知前沿优先）通过救援导向的决策变量增强了基于前沿的探索。其主要思想是前沿选择不仅应反映几何或信息价值，还应反映前沿支持有意义搜救进展的可能性。
给定从当前占用地图中提取的候选前沿集合，所选前沿定义为具有最高前沿分数的前沿。为了使救援相关性明确，救援相关性项被建模为初步受害者证据的函数。
与一般探索相比，所提方法在三个方面不同。首先，它在前沿排名中引入救援相关性，这将机器人偏向于更有可能改善受害者发现的区域。其次，它包含观测不足，以便在需要时重新访问观测较弱的区域，而不是在最小覆盖后被忽略。第三，它保留地形和行进惩罚，以避免救援相关性主导运动可行性。
基线方法
所提方法与基线不同，因为它不仅优化距离、地图效用或安全性。相反，它在保留整体前沿探索框架的同时，将救援相关性作为前沿排名的显式项引入。因此，比较不是在前沿探索和不同规划范式之间，而是在通用前沿选择策略和救援感知前沿策略之间。
结果
结果在简单场景（S1）和复杂场景（S2）中获得。在 S1 中，所有方法都实现了相对较高的完成率，这证实了该环境作为有效的完整性检查场景。在这个更简单的设置中，信息增益基线实现了最高的完成率和受害者找回率，而所提方法保持功能但未超越最强基线。这表明当前沿选择简单且大多数候选前沿相似有用时，显式情境感知的相关性较低。
在 S2 中观察到不同的模式。在这个复杂环境中，所提的情境感知前沿优先方法实现了最高的完成率，达到 20/20 次成功运行。它还实现了最高的受害者找回率，平均每次运行确认 2.00 名受害者。相比之下，信息增益基线仅完成 20 次中的 14 次，平均找回的受害者较少。最近前沿和风险感知探索仍然具有竞争力，但在完成率和受害者找回率方面仍被所提方法超越。
任务时间和路径长度值支持这一解释。在 S2 中，所提方法在不需要最长行进距离的情况下达到完整任务完成。信息增益基线平均行进更远，但完成率和受害者找回率仍较差。这表明所提方法不仅增加搜索努力，而是更有效地分配努力。因此，所提方法的主要优势出现在前沿决策质量，而不是原始运动本身。
综上所述，结果表明情境感知前沿优先在环境包含足够杂乱和分支结构使前沿选择变得模糊时最为有益。在简单场景中，更简单的探索标准就足够了。然而，在复杂场景中，面向救援的前沿评分提高了任务可靠性和受害者找回率。
结论
本文提出了一种面向单机器人四足搜救的情境感知前沿优先策略。所提方法扩展了经典前沿探索，加入救援相关性、观测不足、地形惩罚和行进成本，同时保留了基于前沿选择的计算吸引力结构。该方法在代表简单和复杂条件的两个室内救援场景中进行了评估。
结果表明，简单场景作为稳定的完整性检查，所有方法大致有效，而复杂场景更具区分性。在该场景中，所提方法实现了最高的完成率和最高的受害者找回率，这表明一旦前沿选择不再简单，救援感知的前沿优先就变得有用。因此，结果支持这样的观点：情境感知的主要价值在于结构化杂乱环境中，通用探索目标本身不足。
未来工作应将研究扩展到更困难的环境，在更强的遮挡和不确定性下改进受害者确认，并在物理四足平台上验证所提策略。
致谢
作者感谢乌拉圭理工大学和机器人与人工智能实验室对本工作的支持。
常见问题解答
这种前沿优先方法与标准前沿探索有何不同？ 所提方法在经典前沿探索中增加了救援相关性和观测不足项，以及地形惩罚和行进成本，将探索偏向于更有可能改善受害者发现的前沿，而不是仅仅扩展地图覆盖。
评估中使用了哪个机器人平台？ 该系统在 ROS 2 中实现，并在 Gazebo 仿真中使用 Unitree Go2 四足模型在两个模拟室内环境中进行评估。
在复杂场景中取得了哪些结果？ 在复杂环境中，所提方法实现了 20/20 次成功任务完成和平均每次运行 2.00 名确认受害者，优于最近前沿、信息增益和风险感知基线。
情境感知前沿优先在何时最有益？ 该方法在杂乱环境中具有分支结构、前沿选择模糊且通用探索目标不足以有效搜救时提供最显著的优势。