想象月球是一个巨大的建筑工地。NASA 的阿尔忒弥斯（Artemis）计划旨在为宇航员在那里建造一个永久家园。为此，他们需要将巨大的、沉重的建筑模块（如加压舱）从火箭着陆点移动到房屋将建成的特定位置。这些模块可能相距高达 5 公里（约 3 英里）。
问题在于，这些模块过于沉重且笨拙，单辆月球车（月球探测车）无法搬运，但建造一辆能完成此任务的巨型超重型月球车又过于困难且昂贵。
解决方案：“双人抬沙发”法
本文作者提出了一种巧妙的解决方案：让两辆较小的月球车协同工作来搬运重物，就像两个人合力搬运沉重的沙发或大型家具一样。
以下是他们如何实现这一目标的简化概念分解：
1. “教学与复现”GPS
由于月球没有 GPS（像谷歌地图那样的系统），月球车无法盲目地自动驾驶。相反，它们采用一种称为“教学与复现”的方法。
- 教学：一名人类操作员（或一辆缓慢移动的机器人）驾驶月球车沿路径行驶一次，仔细测绘地形并记录路线。
- 复现：自动驾驶月球车随后一遍又一遍地行驶这条完全相同的路径。因为它对路径了如指掌，所以可以更快、更安全地行驶，因为它知道刚刚驶过的地面是坚固的。
2. “分布式大脑”（控制器）
最大的挑战是确保两辆月球车保持完美同步。如果其中一辆加速过快或转弯过急，它们之间的重物可能会断裂，或者两车可能发生碰撞。
团队构建了一种特殊的计算机大脑，称为分布式模型预测控制器（D-MPC）。
- 工作原理：将两辆月球车想象成一个舞蹈团队。“领航”月球车决定下一步去哪里。它不仅仅告诉“跟随”月球车在哪里，而是发送它未来几秒内将要做什么的预测。
- 神奇之处：跟随月球车利用这一预测提前计算自己的动作。它不仅仅是对领航车当前的位置做出反应，而是预判领航车将会到达的位置。这使得它们能够平滑地转弯和改变速度，而不会导致货物剧烈摇摆。
3. “魔法连接器”
货物并非刚性螺栓固定在月球车上。相反，它们使用一种带有特殊关节（如球窝关节和滑动导轨）的定制连接器。
- 为什么？ 这起到了减震器的作用。它牢固地支撑货物，同时允许月球车进行轻微的独立移动。如果一辆月球车撞上颠簸，另一辆不会随之剧烈晃动。这也意味着月球车无需完美对齐即可抓取货物，使工作变得容易得多。
4. 现实世界测试
团队不仅仅在计算机上运行此系统，还在现实世界中进行了测试。
- 小规模：首先，他们用两辆小型遥控车（约大型玩具尺寸）搬运小负载进行了测试。
- 大规模：随后，他们将规模扩大到两辆重达 800 公斤（1,760 磅）的太空级巨型月球车。他们让这两辆巨型月球车搬运一个重 475 公斤（1,047 磅）的重型圆柱体（代表栖息地模块），穿越一个模拟月球地貌的沙质丘陵测试场地。
结果：
- 两辆月球车极其紧密地保持在目标路径上，平均误差小于 10 厘米（约 4 英寸）。
- 两辆月球车之间的距离保持在安全范围内，从未近到或远到导致货物连接器断裂。
- 它们成功地上坡、转弯，甚至将货物倒车至模拟的“栖息地”进行精确对接。
为何这很重要
这篇论文证明，在月球上搬运重物并不需要一台巨大且难以制造的机器。你可以使用两辆更小、更灵活的机器作为团队协同工作。通过使用这种“分布式”大脑，月球车可以安全地搬运重物、高效行驶，甚至在需要时切换角色，从而使未来的月球建设任务变得更加可行。
技术摘要：分担负载：自主多漫游车货物运输
问题陈述
在阿尔忒弥斯计划下开发半永久性月球栖息地，需要将大型预制模块从着陆点运输至组装地点，距离可能高达 5 公里。目前的概念依赖单一的大型月球勤务车（LUV）执行此任务。然而，此类车辆的质量和体积带来了显著的发射与建造挑战。此外，单一大型车辆缺乏应对不同货物长度或执行并行独立任务的灵活性。虽然使用两台小型漫游车协同运输货物在模块化和任务灵活性方面具有优势，但也引入了复杂的控制挑战。具体而言，大型负载会通过货物在独立车辆之间传递力，而在非结构化且无全球导航卫星系统（GNSS）的环境中保持精确的相对定位十分困难。本文探讨了利用两台运动学解耦的漫游车，通过分布式控制架构高精度运输共享负载的可行性。
方法论
作者提出了一种分布式模型预测控制（D-MPC）架构，专为两台阿克曼转向车辆（一台领航车和一台跟随车）组成的车队设计。
- 系统架构：系统采用“示教 - 复现”导航范式。操作员首先示教一条路线，生成拓扑度量姿态图地图。在复现阶段，漫游车利用激光雷达（LiDAR）对该地图进行定位，并自主跟踪路径。
- 运动学解耦：设计了一种定制货物耦合系统，在支撑负载质量的同时实现漫游车的运动学解耦。该耦合装置包含一个棱柱关节（允许±50 厘米的行程）和球面关节。该设计确保没有负载通过货物在漫游车之间传递，意味着无论是否装载货物，控制问题均保持一致。
- 控制策略：
- 分布式模型预测控制（D-MPC）：每台漫游车在本地求解其自身的优化问题。领航车优化路径跟踪；跟随车在优化路径跟踪的同时，最小化与领航车之间的欧几里得距离误差。关键在于，跟随车通过机器人间通信利用领航车的预测未来状态（MPC 展开），以预判运动，而非仅对当前状态误差做出反应。
- 基线对比：将提出的 D-MPC 与集中式模型预测控制（C-MPC，由单一求解器处理两台机器人）、用于纵向速度控制的比例 - 积分（PI）反馈控制器结合横向 MPC（PI-Loc）、以及使用直接激光距离测量的 PI 控制器（PI-Reflec）进行了对比。
- 扩展性：分布式方法通过将跟随车串联至单一领航车或前序跟随车，实现了向 N 台机器人的扩展，避免了集中式优化相关的二次复杂度增长。
主要贡献
- 货物运输的分布式控制：开发并实施了一种 D-MPC，使两台独立漫游车能够协同运输重型负载，同时保持精确的相对间距，且无需在控制器中显式建模货物的动力学特性。
- 运动学解耦机制：设计了一种定制耦合装置，在支撑 475 公斤负载的同时允许漫游车独立移动，简化了控制问题并提高了对未对准的容忍度。
- 大规模实地验证：在加拿大航天局模拟地形中，成功在两台 800 公斤的“飞行路径”月球探索轻型漫游车（LELR）上实施并测试了该系统，运载了 475 公斤的货物模块。这验证了控制算法从小型原型（AgileX Hunter 2.0）向全尺寸飞行硬件的迁移。
- 对比分析：对控制架构进行了严格评估，表明 D-MPC 在瞬态场景（如加速）中优于反应式基线（PI 控制器），并在更长车队中保持了串稳定性，而反应式方法则会放大误差。
实验结果
系统分两个阶段进行评估：使用 AgileX Hunter 2.0 车辆进行小规模测试，以及在加拿大航天局模拟地形中使用 LELR 进行全尺寸实地测试。
- 小规模测试：在 Hunter 车辆上，D-MPC 在各种地形（开裂水泥、草地、丘陵）上将机器人间间距的均方根误差（RMSE）维持在约 3.9–5.0 厘米。D-MPC 表现出约 3 厘米的小恒定偏差，这归因于特定硬件的车辆差异而非控制算法。与表现出滞后的 PI 控制器相比，它在加速期间表现出更优越的性能。
- 全尺寸实地测试：
- 负载：两台 800 公斤的 LELR 运输了一个 475 公斤、长 5.475 米的圆柱形货物。
- 性能：漫游车保持了平均相对间距误差为 -1.4 厘米，RMSE 为 9.2 厘米，最大误差为 33.4 厘米。最大误差发生在特定地点（Saddle Mountain），地形坡度导致局部路径投影出现偏差，但误差仍远低于耦合装置的机械极限（±50 厘米）。
- 路径跟踪：漫游车实现了 6.6 厘米（漫游车 A）和 8.0 厘米（漫游车 B）的路径跟踪 RMSE，与单车性能相当，表明车队操作未降低导航精度。
- 对接：系统成功执行了反向对接机动进入栖息地模拟舱，平均间隙为 11.5 厘米，标准差为 2.8 厘米。
- 网络：系统以约 13.8 KB/s 的通信带宽运行，并表现出对网络延迟（平均约 33–58 毫秒）的鲁棒性，由于 MPC 的预测性质，延迟与距离误差之间无显著相关性。
意义与主张
本文声称，所提出的分布式控制架构结合运动学解耦的货物耦合，为阿尔忒弥斯计划的物流需求提供了可行的解决方案。作者断言：
- 可行性：两台小型漫游车可以有效替代单一大型 LUV 来运输大型负载，提供更大的任务灵活性和发射可行性。
- 鲁棒性：即使在携带重型共享负载时，D-MPC 方法仍保留了单车激光雷达“示教 - 复现”导航的高质量路径跟踪能力。
- 扩展性：控制器的分布式特性使其易于扩展到更大的车队，而无需承担集中式优化的计算负担。
- 操作效用：该系统支持复杂任务剖面，包括货物装载、车队运输和精确栖息地对接，同时通过防止车辆间负载传递的运动学解耦来维持安全性。
作者总结道，虽然进一步的调整和自适应控制可以减少观察到的系统误差，但当前系统表明，多车辆货物运输是未来月球表面作业的一种实用且有效的方法。
每周获取最佳 computer science 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。