《IEEE Access》：Safe Search and Rescue Operations Based on Autonomous Robots: A Systematic Review of the General System Architecture
编辑推荐：
本研究针对高危环境下人工搜救风险高的问题，系统综述了2016-2024年间74篇自主机器人搜救系统(ARSs)研究。通过分析传感器集成、机器人平台类型与控制算法，提出包含人机交互(HRI)层、感知层、导航层、控制层与机器人层的五层系统架构，为动态灾害环境下的模块化决策提供理论支撑，并指出多机器人协调、AI实时决策等未来研究方向。
在自然灾害、工业事故等高风险场景中，传统人工搜救面临响应延迟、人员伤亡等严峻挑战。随着 Autonomous Robotic Systems (ARSs，自主机器人系统) 技术的突破，利用机器人替代或辅助人类执行 Search and Rescue (SAR，搜索与救援) 任务成为研究热点。然而，现有机器人SAR系统存在架构分散、模块化程度低、实时决策能力不足等问题，难以适应动态复杂的灾害环境。为此，研究人员对2016至2024年间发表的74篇相关文献进行系统综述，旨在构建标准化系统架构，推动机器人SAR技术的规范化发展。
本研究通过多维度分析，提出了一套五层系统架构。该架构将机器人SAR系统功能划分为 Human-Robot Interaction (HRI，人机交互) Layer、Perception (感知) Layer、Navigation (导航) Layer、Control (控制) Layer 和 Robot (机器人) Layer，实现了功能解耦与模块化集成。这种结构化设计显著提升了系统在动态灾害条件下的可扩展性与实时决策能力。
关键技术方法方面，研究团队采用系统文献综述法，聚焦三大分析维度：传感器集成方案、机器人平台类型（空中/地面/水上）以及控制算法架构。通过对比分析不同平台的感知技术（如多模态传感器融合）、自主导航功能（如SLAM技术）与HRI实现方式，归纳出各层级的技术实现路径。
研究结果主要体现在以下方面：
- 1.
机器人平台分类与传感器集成
分析表明，SAR机器人按工作环境可分为空中（UAV）、地面（UGV）与水上（USV）三类平台。各类平台均依赖专用传感器（如热成像、LiDAR、气体探测器）实现环境感知与受害者定位，其中多传感器融合技术是提升探测精度的关键。
- 2.
自主导航与决策算法
导航层依赖 Simultaneous Localization and Mapping (SLAM，同步定位与建图) 技术实现未知环境建模，控制层则采用路径规划算法（如A*算法）与人工智能（如深度学习模型）实现动态避障与任务分配。
- 3.
人机交互架构
HRI层通过可视化界面、手势控制等方式建立操作者与机器人的高效协作机制，尤其在多机器人系统中实现了任务指令分发与状态监控的一体化管理。
- 4.
五层系统架构验证
通过案例对比分析，研究表明五层架构能有效支持模块化功能扩展。例如在震后废墟搜救场景中，感知层实时传输结构稳定性数据，导航层动态调整搜索路径，控制层协调多机器人协作，显著提升搜救效率。
结论部分强调，该五层架构为机器人SAR系统建立了标准化设计范式，解决了系统集成度低、兼容性差等痛点。讨论指出，未来研究需重点攻克多机器人协同决策、AI驱动实时响应、能源优化等挑战。本综述为高危环境下的智能搜救技术发展提供了理论框架与实践参考，对推动应急救援技术革新具有重要意义。
