极端环境下的建造机器人——从地球到太空

尤轲 ,  周诚 ,  丁烈云 ,  王宇向

工程（英文） ›› 2025, Vol. 55 ›› Issue (12) : 107 -124.

PDF (5653KB)
工程（英文） ›› 2025, Vol. 55 ›› Issue (12) : 107 -124. DOI: 10.1016/j.eng.2024.11.037
研究论文

极端环境下的建造机器人——从地球到太空

作者信息 +

Construction Robotics in Extreme Environments: From Earth to Space

Author information +
文章历史 +
PDF (5788K)

摘要

极端环境是非结构化和复杂多变的，这使得人类对未知领域的探索异常困难。通过整合数字技术和人工智能，建造机器人可以减少此类环境中的人身安全风险和财产损失风险。建造机器人有望显著提升建筑质量和效率，因此成为未来的研究重点。极端环境包括危险的作业环境、污染和有害环境以及恶劣的自然环境。本研究对建造机器人在这些环境中的应用进行了综述，并揭示现有研究的不足。本研究重点关注四个研究领域：本体机构、环境感知、运动规划和决策控制。在此基础上本研究揭示了实际应用中的挑战，包括自适应本体机构设计、复杂多变环境的精准感知、非结构化环境的运动规划以及控制优化模型的构建。未来研究的展望包括受自然启发的仿生结构设计、多模态数据融合感知、自适应运动规划以及数据和机理混合驱动的控制方法。

Abstract

Extreme environments are unstructured and change rapidly, making human exploration in unfamiliar areas difficult. Construction robotics can help reduce risks to human safety and property in these environments by integrating digital technology and artificial intelligence. This technology has the potential to significantly improve the quality and efficiency of construction, making it a key area for future research. Extreme environments include hazardous work sites, polluted areas, and harsh natural conditions. Our review of construction robotics in these settings highlights several knowledge gaps. We focused on four main areas: mechanism design, perception, planning, and control. Our analysis reveals challenges in practical applications, such as creating adaptable mechanisms, accurately perceiving changing environments, planning for unstructured sites, and optimizing control models. Future research should explore: biomimetic designs inspired by nature, multimodal data fusion for perception, adaptive planning strategies, and hybrid control models that combine data-driven and mechanism-based approaches.

关键词

建造机器人 / 极端环境 / 本体机构 / 环境感知 / 运动规划 / 决策控制 / 人工智能

Key words

Construction robotics / Extreme environment / Mechanism design / Perception / Planning / Control / Artificial intelligence

引用本文

引用格式 ▾
尤轲,周诚,丁烈云,王宇向. 极端环境下的建造机器人——从地球到太空[J]. 工程（英文）, 2025, 55(12): 107-124 DOI:10.1016/j.eng.2024.11.037

登录浏览全文

4963

注册一个新账户 忘记密码

1 引言

在极端环境里开展施工建造，体现出人类的智慧以及对未知领域的探索。但是由于极端环境具有复杂多变、不可预测的特点，因此建筑施工是有风险的。尤其在危险、污染或者有害的环境下施工会增加建筑工人的安全风险，如深海、深海、深空[1‒3]。虽然相关研究已经在典型的施工场景中证明了建造机器人的有效性，但是在极端的环境下施工时，仍然存在一些关键技术问题以及核心的科学问题需要解决。环境的不确定性存在高维复杂的信息，造成难以建模和优化建造机器人[4‒6]。建造机器人能代替人工做重复工作，进而提升效率，缓解劳动力短缺状况[7‒8]。但是在极端环境下使用建造机器人时要实时注意并克服上述困难。

极端环境一般是非结构化的、动态变化的，因此建造机器人设计与应用就变得非常复杂。建造机器人对于非结构化施工场地有着应对能力，而且具有很强的适应性，体现了机器人技术在该领域具有巨大的潜力[9‒10]。本文主要研究建造机器人在极端环境作业时遇到的技术限制以及知识不足，全面认识这些难题对指导今后的研究和技术具有重要意义。由于施工现场的不可预见性，机器人的感知和适应环境的能力就显得尤为重要。解决上述问题要依靠广泛的研究和技术创新来实现[11‒12]。

极端环境中建造机器人的应用可以从四个维度进行分析：①本体机构设计、②环境感知、③运动规划和④决策控制，如图1 [13‒16]所示。本体机构设计在建造机器人与环境互动中起着至关重要的作用，合理的本体机构设计可以减少机械体受到的阻力，帮助建造机器人在复杂地形中快速稳定地通过。准确的环境感知是保障施工过程中人员和财产安全的关键因素。在极端环境中，机器人感知的精度受到多种干扰因素的制约。多模态数据融合感知在提升自治系统智能化程度方面具有重要意义[1,11,17]。建造机器人需要在动态和不确定环境中，根据周围实际情况进行运动规划，满足环境约束、时间约束以及机器人本身的动力学约束等条件[18‒19]。数据和机理混合驱动的控制方法，为极端环境中的开放性挑战提供了创新而可行的解决方案[2,20‒21]。

机器人运动学建模以及仿生设计的研究，为机器人在极端环境下使用打下了基础[22]。建造机器人具有特别的结构设计来适应它的特殊施工环境。在极端环境之下，带有特别结构设计的机器人表现出很好的性能，可以改变自身姿态来完成各种任务和工作场所的任务[12,23‒25]。智能决策对于复杂、不可预知的施工环境来说起着非常重要的作用[1,26]。该领域不断有新的探索和创新出现，使机器人可以胜任各种复杂的、极端恶劣的环境，也可以进行自主的施工工作。本文基于对目前研究的深入科学分析，指出了该领域未来的发展方向[27]。本文主要对建造机器人领域的发展及应用进行有益的指导，使建造机器人在各个领域中充分发挥潜力以应对极端环境的挑战。

本文对建造机器人本体结构设计、环境感知、运动规划与决策控制进行了系统的回顾和分析。本文结构如下所示：第2节对建造机器人关键技术进行协同分析，用基于关键字的聚类分析法确定其应用；第3节主要研究建造机器人在危险环境中的应用；第4节全面审视建造机器人在污染和有害环境中作业所面临的机遇和挑战；第5节关注建造机器人在恶劣自然环境中的部署，并概述了该领域的最新研究进展；第6节讨论了应用于实践的挑战、潜在应用和未来展望；最后第7节对本文进行总结。

2 研究方法与科学计量分析

本文重点介绍建造机器人在极端环境中的使用，旨在建立一个综合的框架以分析相关文献。通过对相关研究的系统检索和筛选，本文概述了极端环境中建造机器人的当前研究趋势，并对极端环境建造机器人的关键技术进行了展望。

2.1 典型案例及关键技术

机器人在建筑、工程和施工（architecture, engineering, and construction, AEC）领域中发挥着至关重要的作用，它们的广泛应用涉及多学科集成方法、数字工具和创新材料的进步[28]。建造机器人的成功很大程度上依赖于本体机构设计、环境感知、运动规划和决策控制。

本体机构设计涉及创建一个详细的结构蓝图，该蓝图需与机器人整体概念框架相一致[29]。例如，Naclerio等[22]通过采用不对称的结构设计来控制地下机器人的顶端延伸部分的升降和阻力，实现了可导航的地下挖掘[图2（a）]。设计过程是将抽象的工作原理具体化为某类构件或零部件，包含确定结构件的材料、形状、尺寸、公差、热处理方式和表面处理等，还须考虑其加工工艺、强度、刚度、精度以及与其他零件之间相互关系等问题[30‒31]。

感知对于机器人与环境的交互来说是必不可少的，而视觉感知就是机器人系统中的重要组成部分。在复杂的环境中，摄像头、激光雷达（light detection and ranging, LiDAR）、毫米波雷达等传感器会得到周围环境的真实空间信息。对这些信息进行预处理、特征映射以及分析之后，可以得到外部环境的全部表示，赋予机器人丰富的二维和三维信息。Johns等[32]使用LiDAR感知高度异质的原位石块，实现了对如图2（b）所示的自由形状石头实例的在线检测和分割。端点定位传感器和原位建造机器人AT40GW（Altec，美国）配合使用，得到三维姿态控制的平均姿态重复性误差为13.2 mm、位姿重复均值为6.9 mm，如图2（c）[33]所示。全面、高质量的环境信息使周围环境特征与属性的识别、目标跟踪以及语义理解成为可能，为之后的决策和操作打下了基础。

在动态和不确定的施工环境中，建造机器人需要进行运动规划。所谓运动规划是指移动机器人在位姿空间中找到一条从初始位姿点到目标位姿点的连续无碰撞路径，同时这条路径还要满足环境约束、时间约束以及机器人本身的动力学约束等条件[14]。此外，规划作业轨迹和分配任务的能力，对于建造机器人高效、稳定且安全地完成复杂施工任务至关重要。例如，在机器人干砌石结构施工的规划框架中，Johns等[32]通过LiDAR感知原位石块并生成三维点云图，基于几何规划实现石块的抓取和堆放，如图2（b）所示。建造机器人运动规划技术能够使机器人在复杂的环境中高效地完成施工作业，且并避免碰撞和冲突。

机器人控制的目的是使机器人完成特定的任务和功能。作为一种典型的控制策略，比例积分微分控制（proportional-integral-derivative control, PID）具有较好的稳定性和鲁棒性，但是具有参数调整困难的缺陷。对于时变系统和非线性系统，还需要进一步优化基于PID的控制。控制过程涉及轨迹控制、力控制、姿态控制等，以确保机器人按照规划的要求准确地执行任务，实现运动控制的精准和高效。机器人控制模型的优化是施工过程中需要面对的挑战。为了应对这一挑战，Zhang等[34]提出了多智能体控制的框架，基于空间碰撞感知和实时自主任务分配，实现具备系统鲁棒性的最少监督的多机器人控制，如图2（d）所示。引入合理的反馈对于控制的稳定性尤为关键，而数据和机理混合驱动的控制方法在实际应用中具有优越性。在非结构化的场景中，鲁棒的控制策略对于施工作业至关重要。

2.2 文献计量分析

本研究采用系统综述和荟萃分析的首选报告项目（preferred reporting items for systematic reviews and meta-analyses, PRISMA）的方法进行文献综述[35]。PRISMA包括一个27项的检查表和一个流程图，清晰地描述了识别、选择、纳入和排除文献的过程及基本原则，以增强系统评价和荟萃分析报告的准确性。本研究中使用的PRISMA工作流程图来自参考文献[36‒37]，附录A的图S1中对其也有所展示。

为确保数据源的科学完整性[38]，本研究文献来源于科学网（Web of Science）、斯高帕斯（Scopus）和谷歌学术（Google Scholar）。与极端环境和建造机器人相关的关键词合并时采用了“与”规则（&）。例如，与极端环境相关的关键字包括极端环境或危险作业环境或污染环境或有害环境或恶劣环境，而与建造机器人相关的关键字包括建造机器人或自主施工机器或无人施工机械或工程机器人。

在文献检索阶段，本研究依据PRISMA的技术准则对文献的摘要进行了详尽审核。根据PRISMA术语定义，检索到的全文被称为“报告”，并据此对其适用性进行评估。通过严格筛选进而排除不相关的论文和综述文章，最终得到了一个包含112篇论文的数据库以供进一步分析。

本文的文献类别已经完成了系统整理，汇总在表1中。机器人技术在建筑行业尤其是复杂环境中起到非常重要的作用。工程学、自动化控制系统、计算机科学、物理学等方面的知识对于机器人系统环境感知、运动规划、决策控制、本体机构设计等各个方面都十分重要。扎实的工程知识为有效的规划奠定了基础，自动化控制系统给建造机器人精准作业赋予了能力。在计算机科学领域，深度学习大大提高了自主系统智能化的程度。本体机构的设计要将物理学、动力学模型结合起来。本文接下来的部分会就上述技术细节做进一步的论述，并根据应用场景进行分类阐述。

2.3 关键词共现

此外，本研究还进行了关键词共现分析，以洞察研究主题及其间的相互联系。关键词作为研究主题的高度概括，有助于解析文献中的知识结构。通过构建关键词网络的可视化图谱，可以有效识别出在极端环境中施工的建造机器人领域的研究热点与发展趋势。利用CiteSpace软件中的对数似然率（log-likelihood ratio, LLR）算法进行聚类分析，可以从文献中提炼出多个研究集群，从而揭示该领域内正在浮现的研究方向。关键词共现的网络图谱如图3所示。

本文对本次综述的文献分类进行统计，选择每个簇中权重最大的两个关键词，绘制关键词共现的弦图，便于识别研究热点（图3）。在该领域中，值得注意的关键词包括工程、建筑技术和机器人，这凸显了它们的重要性。计算机科学在实现环境感知方面起着关键作用，这也是本文所支持的另一个重要分析维度。从聚类分析结果来看，设计、控制和路径规划被识别为重要的研究维度。此外，聚类结果反映了各种应用场景，如空间机器人、现场机器人和去污作业，提供了关于建造机器人所面临的多样化挑战的洞见。

3 危险作业环境中的建造机器人

建造机器人的广泛应用可以帮助建筑工人远离危险的工作环境。本节从四个方面展开全面分析，包括爆破作业、破拆作业、灾后作业和受限空间作业，彰显建造机器人在这些领域中提高施工安全的重要意义。

3.1 爆破作业

建筑领域中的许多任务需要通过爆破作业的方式来完成，如隧道与管网的掘进施工、道路铺设中巨型岩石的破碎和水利开凿等。针对地下隧道施工环境，Bonchis等[39]使用安装在机器人上的三维激光测距仪，实现隧道模型的测量和构建，并通过迭代最近点（iterative closest point, ICP）算法，计算钻孔相对于机器人的位置，以实现爆破孔匹配和机械臂控制。Zhou等[40]提出了一个混合补偿方法来解决岩石钻孔机器人中的定位误差问题。实验结果表明，该方法下的机械结构控制平均误差为30.5 mm，标准差为17.4 mm。此方法有效地缓解了因温度变化等极端环境因素导致的非几何误差，如图4 [40]所示。在各种采用的方法中，径向基函数网络因其三层网络结构而发挥了重要作用。通过使用来自关键传感器的输入数据x以及岩石钻孔机器人的运动学模型参数，可以利用公式（1）计算预测的三维坐标fi (x)。隐藏层的基函数和输出层的连接权重分别被定义为ω和ϕ，径向基核函数的计算采用高斯径向基函数[ϕk ()]，如公式（2）所示。

fi(x)=wikϕkθx-ck
ϕkθx-ck=exp (x-ck)T⋅θ⋅(x-ck)2σk2

式中，ck 为第k个神经元节点的基函数中心；σk 为隐藏层中第一个神经元的径向基函数的展开宽度；i为维度个数；θ为围绕公共轴的两个相邻关节的旋转角度；m为输入数据的维度数量；T为矩阵转置；wik 为第ik个输出层的连接权重。

爆破作业属于一项高危险性的工作，需要有较高的控制精度。Montorfano和Ruberto [41]用远程操作实现了机器人钻孔和爆破的协同控制，很好地完成了与交叉隧道和安全壁龛有关的施工任务。钻孔、爆破属于爆破活动。Nguyen TH和Nguyen TQ[42]设计了装有自行式液压七连杆的爆破孔开凿机械臂，利用运动学原理开发出一种控制算法，可以实现自动化的爆破孔钻孔。爆破孔开凿精度影响作业质量，开凿位置不准确会带来危险。另外，机器人操纵器巨大的重量、大跨度也给精确控制带来很大的困难。要提高爆破孔钻孔的精度，控制误差的解决和补偿就显得十分重要。Xie等[43]设计出一种悬臂式爆破孔钻孔机器人手臂，用广义回归神经网络（general regression neural network, GRNN）预测并补偿方向误差，达到对机器人手臂的准确控制的目的。仿真结果得出最大位置误差小于11 mm，偏差范围符合实际工程的要求。

3.2 破拆作业

破拆作业施工过程建筑碎石不断掉落，且伴随着大量粉尘，是典型的危险作业。破拆机械利用液压冲击器对作业区域执行破碎与拆除操作[44]，使得整个建筑结构存在倒塌的潜在风险。为了保证执行拆除作业人员的安全，同时提高拆除作业的效率，目前破拆机器人普遍采用遥操作的方式来完成任务。由瑞典Brokk公司开发的一款远程控制破拆机器人便是此类设备的一个示例，如图5（a）[45‒47]所示。常用的破拆机器人执行器包括破碎机[48]、滚筒切割机[49]和表面磨光机[50]。

深度强化学习为低冗余机器人提供了一种稳定的无碰撞路径规划方法[51]。该方法涉及一个智能体基于与环境交互的观测更新其状态，并最大化奖励函数。在深度强化学习中，智能体在与环境交互期间，通过观察状态（s）并根据奖励函数（r）更新其自身状态（a）。智能体的目标是最大化奖励函数（Q*），其定义如公式（3）[52]所示：

Q*(s,a)=maxπE rt+γrt+1+γ2rt+2+...st=s,at=a,π

式中，π = P(a|s)被定义为行为策略；P表示世界状态以概率方式变化；t为时间步长；γ为折扣因子；E []表示数学期望。在学习过程中，可以将Q学习应用于样本(s, a, r, s′) ~ U(D)进行更新，并且损失函数[Li ( )]定义如公式（4）所示：

Li(θi)=E(s,a,r,s')!~U(D)r+γmaxa'(s',a';θi-)-Q(s,a;θi)2

式中，θi 和θi-分别为第i次迭代时的网络参数和目标网络参数[52]。Lee和Brell-Cokcan [46]提出了一种基于强化学习的控制策略优化方法，增强了Brokk 170（瑞典Brokk公司）的远程操作施工效率，q1, ..., q5表示关节空间坐标，如图5（b）所示。他们利用多层感知器（multi-layer perceptron, MLP）解决了由非线性模型带来的回归逼近挑战。Lee 和 Brell-Cokcan [47]进一步应用基于MLP的数据驱动方法，实现了Brokk 170建造机器人的运动轨迹预测，从而提高了施工效率和安全性，时间t时关节q1的控制输入矩阵为u1t，如图5（c）所示。

在形态设计方面，Li等[44]设计了一种具有四自由度的破拆机器人臂，以改善其振动特性。Corucci和Ruffaldi [53]通过开发一种基于反馈的场景分割方法，解决了拆除作业中的感知挑战。同样，Zong等[54]通过实施一种三维跟踪算法，解决了拆除作业中目标丢失的难题。Huang等[48]采用激光引导的人工神经网络（artificial neural network, ANN）全局映射模型，实现了破拆机器人机械臂末端的自主定位。

目前的研究主要集中在破拆机器人结构设计、感知能力上，但是对拆除作业环境中的碰撞检测、动态控制的重视程度不高。操作过程中残余振动大是难题。Ye等[55]提出一种用指数趋近律来控制残余振动的方法。Mu等[49]提出了一种增强的方向性边界框方法来实现实时碰撞检测，又提出了一个复合控制方法，在0.04 m的阈值之内保证准确的跟踪精度。场景理解、施工轨迹规划能力的改进，对提高建造机器人拆除施工规划自主性、决策性有重大意义。

3.3 灾后作业

机器人可以控制重物，穿越复杂的地形，在灾后场景中非常有用。地震、洪水、泥石流等情况下，灾后任务大多要于非结构化施工环境之中执行，即现场清理、物料搬运、疏浚以及现场修补等工作。设计用于灾后操作的机器人要具有灵活的姿态调节能力以及稳定的性能。这在图6（a）[56]中有所展示。

为了提高机器人在复杂的灾后环境中对环境的适应能力，Kamezaki等[57]设计出一种带有四个手臂和四个履带的远程控制机器人，外形像章鱼。章鱼形机器人很好地避免了翻倒，在灾后崎岖、不稳定地形中表现优异，如图6（b）所示。Yuta [58]设计出一种重型运输机器人，它有履带，可以用于洪水过后的挖掘工作。

为了提高建造机器人在灾后环境中的感知能力，Ootsubo等[59‒60]提出了一种基于增强现实（AR）的工程机器人远程操作系统。该系统把3D几何信息叠加到视频图像上，从而提高环境感知。Nubert等[61]提出了一种有效的传感器融合技术，该技术集成了惯性测量单元（inertial measurement unit, IMU）和LiDAR的数据，以提供可靠且精确的姿态估计。Fukui等[62‒63]以及Yasuda等[64]用模块化履带结构完成了对建造机器人在危险灾后环境中自主路径规划的研究。他们还用概率路线图来处理移动障碍物的情况，在出现障碍物的时候动态地改变轨迹，从而提高了在有障碍物的情况下路径规划的效果。

灾后的环境一般都会受到频繁震动的影响，给建造机器人控制技术带来了巨大的难题。为了解决无人推土机在洪水后进行疏浚时出现打滑的问题，He等[65]提出了一种采用主动干扰抑制控制算法的防滑控制技术。Minamoto等[66]用一种基于力反馈的远程控制方法来提高损害恢复活动的效率。但是现有的研究并没有关注专门设计用于灾后操作的机器人机体，一般要对现有的建造机器人进行改造。因此需要对机器人进行更进一步的研究，使其具有更好的灵活性来满足灾后操作的要求。

3.4 受限空间作业

施工领域中的受限空间有多种环境，基础设施管网、城市地下隧道、污水处理设施、密闭隧道等。这些空间一般存在有毒有害气体，给工人带来严重的安全隐患。因此在施工任务中使用机器人是保证安全、高效的重要手段[67]。

为了在受限空间内开展设施监测、维修以及施工等工作，对具有高机动性、灵活特点的机器人特殊结构设计十分重要。常用于狭小空间的机器人类型包括蠕动式[24,68‒69]、轮式[13,70‒71]、履带式[72]和仿生型[23]。

地下管网复杂的布置一般存在倾斜的情况，给机器人控制的稳定性带来了挑战。为了克服上述问题，Mateos等[71]在六轮腿式机器人中使用了比例控制的方法，在管道内压力的作用下完成了管道修复工作。Liu等[72]用群体智能算法对履带机器人PID控制进行了优化，提高了阶跃响应性能。

蠕动机器人由多个结构单元组成，适合在复杂的管网设施中进行操作。履带和轮式机器人具有快速通过管道的能力。仿生机器人以其独特的形态设计提供了增强的灵活性。例如，Ishikawa等[24]设计了一种由七个结构单元组成的蠕动机器人，使其能够在狭窄的管道中灵活移动。Miro等[13]使用麦克纳姆轮实现了管道内的全方位运动，如图7（a）所示。Qin等[23]利用仿生原理设计了一种可变曲率躯干机器人，提高了在狭小空间内检查或修复受损区域时末端执行器的操作能力。管网机器人的一种高效操作模式是通过驱动轮与管壁之间的力实现主动附着，如图7（b）[73]所示。

由于障碍物的存在，仅依靠摄像头可能无法提供足够的环境信息，因此常采用基于声纳和超声波雷达的辅助传感技术。Hua等[74]利用实时碰撞检测反馈梯度优化算法进行避障规划，防止工作臂与管道发生碰撞。狭小空间通常具有分布不均的障碍物，通过强化学习可以实现窄管冗余机器人的无碰撞路径规划[49]。Zheng等[75]采用反馈控制，使管道机器人的每个关节能够进行滚动和偏航运动，从而在T形管道中灵活避障。混合轮腿式机器人可以基于模糊逻辑控制器实现避障。

4 污染和有害环境中的建造机器人

污染和有害环境对工人的健康构成严重威胁。部署建造机器人可以显著减少工人暴露在这些环境中的风险，保护他们的生命安全。尽管在污染和有害环境中对建造机器人的需求显著，但实际应用仍面临若干关键挑战。

4.1 粉尘污染环境

矿山隧道和化工厂等环境由于有毒气体、有害粉尘和能见度降低，常对施工的工人构成人身安全风险。在这种条件下工作，准确的环境感知对于防止人员伤亡和财产损失的危险事故发生至关重要。因此，解决高粉尘环境下的环境感知问题对于建造机器人来说是必要的。计算机视觉的发展为高粉尘和低光环境下的机器人感知提供了解决方案。计算机视觉中的一个重要研究领域是为视觉退化环境设计的图像增强技术。通过利用暗通道优先的统计原理，可以实现图像去雾。这一技术在提升粉尘环境中的视觉清晰度方面显示出巨大潜力[76‒77]，详细介绍见附录A。

LiDAR技术广泛应用于机器人系统中，以获取精确的距离感知信息。然而，雾和雨等不利环境条件会对LiDAR的传输损失T(R)产生影响，如图8（a）[78]所示。LiDAR的测量范围（记为R），是根据光飞时间（time-of-flight, ToF），基于公式（5）计算的。此外，可以使用公式（6）确定传输损失[78]：

R=12ncΔt
T(R)=exp -2∫0Rα(tr)dtr

式中，c为光速；tr为传输介质；n和α(tr)分别为传播过程中介质的折射率和消光系数；Δt为激光发射和接收之间的时间间隔。

环境因素会对建造机器人造成不良影响。不完整的、稀疏的点云以及LiDAR噪声都会影响到这些机器人的感知能力。为了解决上述问题，Emter等[79]提出利用多台LiDAR从不同的角度进行采集来提高点云密度和识别准确性。Lin等[80]用2D LiDAR旋转扫描得到3D点云数据，解决了粉尘和遮挡的问题。除此之外，Ouyang等[81]用拼接LiDAR点云和重新定向法线的方法得到了地下环境的感知。深度学习方法VoxelNet [82]对从点云中提取局部特征有较好的效果，进而改善了点云配准的结果。矿山巷道和狭窄隧道的代表性示例如图8（b）[83]、（c）[19]所示。

4.2 固废污染环境

人类活动产生的固体废物会带来污染风险，这些废物可以包含各种材料——从电池和油漆等家庭废物到工业废物。Kruse和Wilson [84]利用遥控挖掘机器人进行危险废物掩埋操作，为环境修复工作做出了贡献。用于恶劣环境下去污的机器人系统（robot systems for decontamination in hostile environments, ROBDEKON）项目在固体废物污染处理机器人的本体设计方面做出了重大贡献。作为该项目的一部分，履带式挖掘机被开发出来，具备在垃圾填埋场导航、检索物体、自动移除受污染土层和高效转移材料的能力。这增强了机器人在复杂和泥泞填埋区域的性能，使其更加多功能和稳定[85]。为了防止固体废物处理过程中的二次污染，Emter等[79]使用了一种近似概率算法来进行高自由度挖掘机械臂的运动规划。

挖掘现场经常会遇到障碍物，这些障碍物可能是大型刚性物体或堆积的碎片，会阻碍挖掘操作的进展。为了解决这一问题，Zhang等[1]开发了一种自主挖掘系统（autonomous excavator system, AES），专门用于废物处理和回收操作。他们利用Mask R-CNN算法检测现场的障碍物，如图9所示。配备了环境高精度地图和定位能力的机器人[79]可以自主执行诸如移除墙体材料或去污工厂组件等实际任务。ROBDEKON解决了物体精确几何测量的问题，以确保机器人高效运作[85]。为了实现自主工程机械的稳健和精确的环境感知，Heide和Petereit [86]提出了一种增强的组合方法，该方法利用定制验证技术和机器学习方法。

4.3 核辐射污染环境

切尔诺贝利和福岛的事件凸显了在核辐射污染环境中进行各种操作的必要性。如图10 [16]所示，能够在高辐射环境中执行复杂任务的机器人可以有效地替代人类完成设施修复、维护和场地清理等任务。然而，值得注意的是，机器人易受到核辐射的损害，因此需要对其物理结构进行特殊优化。电荷耦合器件（charge-coupled device, CCD）相机CY-RC51KD（日本松下公司）在辐射水平超过140.0 Gy时，其图像质量从清晰变为蓝色，并在达到169.0 Gy后无法工作。激光扫描仪（URG-04LN, Hokuyo，日本）在累计辐射剂量达到124.2 Gy后停止工作。然而，型号为UXM-30LN的激光扫描仪（Hokuyo，日本）和Eco-scan FX8（Nippon Signal，日本）以及型号为Axis 212的CCD相机能够承受200 Gy的总剂量[16]。

核辐射环境中的任务一般是在密集的混凝土结构以及杂乱的空间里进行的，具有高度复杂性。为了适应在这些环境里灵活工作的需要，Bird等[87]设计出带有五自由度机械臂的Vega机器人。West等[67]研制出一种将移动底盘同紧凑型机械臂融合起来的平台，从而达成远程操控并执行各种任务的目的。装有多功能机械臂的履带机器人更适合在核辐射环境中做复杂的工作[85,88]。

有效的路径规划对机器人快速移动、尽量减少核辐射暴露来说十分重要。以前的机器人在核环境中遇到过碎片缠绕或者损坏等问题。Lai和Smith [89]提出一种仿生路径规划算法来减少辐射暴露。粒子群优化（particle swarm optimization, PSO）和遗传算法与基于网格的算法相比，能识别出一条更平滑的路径，并且辐射剂量也更低。Chao等[90]提出了DL-RRT*算法，该算法属于一种基于采样的方法，在动态环境下可以找到辐射剂量最小的路径。该算法利用之前规划阶段的信息，减少了全局重新规划的需求，进而减小了机器人在辐射环境下的行驶时间。机器人操作系统给自主导航、传感器集成提供强有力的系统支持[91]。

核辐射环境一般要求用高精度来完成复杂的任务，这就需要对机器人控制系统进行优化。Bakari等[92]用PID控制的方法对两只多功能机械臂进行抓握、切割等任务的实时控制。核设施内部件具有高残留放射性、高温等特点。由于其大尺寸、大质量以及复杂形状等特点，在使用遥控机械臂操作的时候，精确的轨迹跟踪控制就显得十分重要。在此背景下，Li等[93]提出了一个模糊逻辑系统，用以提高用于核反应堆拆除的五自由度机器人机械臂的控制性能，从而提高在核辐射设施维护操作期间轨迹跟踪控制的精度。Luo等[94]提出了一种人机协同控制策略，实现了±0.1 mm的跟踪精度的自动焊接。

5 恶劣自然环境中的建造机器人

人类的好奇心一直促使着我们去探究未知的领域，即使是那些最不适合生存的恶劣环境。深海、深底、深空是典型的恶劣自然环境，每一个恶劣的自然环境都提出了它独有的、巨大的挑战。

5.1 深地

深地环境给建造机器人带来复杂的、具有挑战性的障碍，极端的地压和地质坍塌的威胁是其中的主要因素[95]。为了保证在这样的条件下掘进作业的安全、高效，盾构机是隧道施工的重要设备。盾构施工被认为是地铁隧道施工中最先进的方法。Armaghani等[96]提出了一种智能预测模型来评估隧道掘进机（tunnel boring machine, TBM）的性能，如图11（a）所示。Gong等[97]提出了一种改进的变增益位置/速度控制方法，在刚性目标和柔性目标上都有很好的抓取能力，特别适合于在复杂的地质条件下进行操作。盾构机建造过程中会收集到大量、多维、多样化的数据，如图11（b）[15]所示。依靠可靠的建模方法来准确地提取、分析这些数据显得十分重要。

在掘进任务的规划中，Homma等[98]用触觉传感器从深层区域采集土壤特性数据，再根据这些数据计算出最佳挖掘参数。另外，Zhang等[99]提出了智能决策方法，用PSO算法来确定最佳的采矿参数。实际应用证明了这种决策方法的有效性和可靠性。

智能优化方法，比如PSO算法[100]，对于复杂的全局优化问题具有较高的效率和准确性，PSO的详细内容可以在附录A中找到。为了适应不同地质段的工作条件，深地机器人要将各种信息源（机器人手臂位置、受力、地质数据等）结合起来，制定出可靠运动计划。Lee等[25]研制出一种类似于鼹鼠的挖掘机器人，其钻头是可扩展的。这种机器人模仿鼹鼠的强牙齿夹持力，加上高柔性的凿齿，可以挖掘坚硬的地面，扩大孔洞直径，以利于移动，见图11（c）。传统的深度挖掘作业一般依靠刚性大部件的大型机械来克服颗粒阻力、颗粒提升力。但是Naclerio等[22]用软体机器人控制地下相互作用力，实现了地面和地下高速穿透及挖掘。在复杂的深层地下环境中工作容易产生异常的地质效应，给机器人的控制带来困难。

5.2 深海

深海建造机器人存在诸多技术难题，水压问题是其中之一。海洋深处巨大的水压对机器人的结构完整性、材料造成严重威胁[101]。为保证其有效性、安全性，机器人必须设计成能够承受极端条件，如图12（a）[102]所示。高水压环境下优化深海建造机器人密封性能的结构设计非常重要，可以完成水下结构的维护工作[103]。多关节蠕动机器人[104‒105]一般用在深海地质勘探、小规模挖掘等场合。Nagai等[105]提出了使用爬行式推进器挖掘海床的机器人。该机器人由挖掘单元、推进单元、提取单元三大部分组成，可以承受5 MPa以上的水压。但是，如图12（b）所示，在这样的极端环境下结构设计有难度，工程设备会失去结构完整性并且无法修复[106]。Tadami等[104]研制出一种专为水下勘探而设计的海床挖掘机器人，该机器人装有推进单元和挖掘单元，在海床上可以高效地导航。

除了高水压之外，深海建造机器人还要面对低光条件以及图像失真的问题，从而导致其感知受到很大影响。深海几乎没有自然光，环境照明非常有限，因此传感器、视觉系统都受到了严重的限制，只能用声纳、红外传感器等专门的技术来弥补这些不足。Kim等[107‒108]给机器人装上声纳、陀螺仪、深度传感器等，对复杂环境进行信息采集，用以完成海底砾石场的平整工作。二维多波束成像声纳用来显示反射强度数据。另外，Song和Choi [109]提出了一种方法，用二维多波束成像声纳重建水下建筑结构的三维图像，在深海环境里给出高分辨率图像。水下环境的水质差会造成图像失真、模糊，从而给视觉识别造成更大的困难。为了克服这个问题，AncutiT等[110]提出了一种方法，用计算图像的局部背散射光来增强水下图像，并且用实际测试证明了这种方法是有效的。

水下环境中的施工任务可能因浊度增加而遇到挑战。这会妨碍机器人对施工现场的准确感知和导航，进而影响施工质量与效率。面对这些挑战要依靠全面的研究与不断的创新，才能保证深海建造机器人在极端水下环境下具有良好的性能[111]。

深海因为复杂多变的洋流、不可预测的海洋环境而著名，会干扰操作。因此机器人要具有较高的稳定性以及较强的适应性才能保证位置、姿态的准确性。Hong等[112]用纯追踪的方法来计算转弯半径，使水下建造机器人可以沿着指定的路线行驶，在深海中抵消偏航干扰。依靠数值计算、运动学模型以及几何策略的传统控制方法，很难对动态且不断变化的状况做出持续的应对[113]。

为了提高机器人在水下干扰环境下推进的效率以及灵活性，Gorma等[114]提出了一个使用中央模式发生器的仿生控制方法。Xia等[115]提出了一种基于虚拟现实和触觉模拟器的分层直观控制方法，可以提高操作员的感知能力以及水下机器人远程操作的性能。Kim等[116]用主动控制技术在20 MPa水压下进行深海挖沟作业时保持最佳的扭矩和速度。基于模型的元强化学习可以适应环境的变化以及干扰[117]。Moon等[118]提出了一种用于水下机器人的基于模型的强化学习方法和操纵器控制方法，并用仿真进行验证。

5.3 深空

深空环境有诸多极端特性，须将天体物理学、材料科学、工程学以及计算机科学等各方面的知识融合起来。机器人在建立、维持外星基地，并且进行相关的人类活动中是不可缺少的[119‒120]。

在极端外星环境下[121‒123]，存在光线不足[124]、空间杂散光等造成的各种困难。为应对这些挑战，Sun等[125]利用基于Yolov3和视觉流融合网络（vision-flow fusion network, VFFNet）的姿态估计算法，在复杂光照条件下精确定位负载板的位置。红外传感器可以克服可见光感知的局限性，Zhou等[126]在他们的外星建造机器人中使用了带有双目摄像头和红外辐射传感器的感知系统。

月球、火星等深空极端环境具有很大的不确定性，由于人类对这些环境的了解较少，因此也带来了独特的挑战。传统的运动规划方法，如路线图法[127]和快速探索随机树（rapidly-exploring random tree, RRT）[128]，在应对高不确定性和缺乏适应性方面存在局限性。为了克服在复杂的空间环境里导航时所遇到的困难，Yue等[129]提出了一种针对分层路径规划专门的复杂环境导航方法。

在太空微重力环境下，振动给大型结构造成很大的危害。机械臂因为重量小、灵活，在太空操作期间很容易受到振动的影响[9]，将导致定位精度大大降低，振动控制成了主要问题[130]。为了克服上述困难，在大型空间结构的建造过程中，一般会使用传统的力位移混合控制法、阻抗控制法等不同的主动顺应控制方法。Boning和Dubowsky [131]用线性最优控制理论来管理空间结构建造机器人，以减小结构的振动。该方法使机器人可以高效地导航和组装大型、柔性空间结构，并且最大限度地减少振动。另外，采用最优线性二次调节器可以减小柔性机械臂的振动[132]。数值模拟证明该方法对于保证未知扰动存在时的闭环稳定性是有效的。Sun等[125]提出了视觉引导加可变参数阻抗控制的施工过程抑制振荡的方法。Galardini等[133]在月球结构组装任务中，给ETS-VII机器人手臂加上了顺应控制和虚拟深度控制，从而得到更好的控制精度。另外，研究发现，装有挖掘机械臂和推土机刀片的多功能机器人最适合用于月球场地的作业[133‒135]。图13 [120,136‒137]给出了一些典型的深空建造机器人。

6 讨论

6.1 应用于实践的挑战

6.1.1 适应机制设计

极端环境包含各种有挑战性的作业条件，即爆炸作业、破拆作业、灾后作业和受限空间等危险作业环境。这些环境存在着潜在的安全隐患，会对建筑工人造成危险。而机器人在污染、有害环境里有着很好的工作能力。它们可以对付粉尘污染、固废污染以及核辐射这些难题。另外，机器人适应恶劣自然地形的能力也十分多样，如对地下深处的勘测与探测、对深海的维护和研究以及对深空的探索。利用特殊的结构设计，机器人可以在人不能进入的环境中有效作业，保证施工安全以及顺利进行[4]。极端环境有其特有的物理性质，使机器人可以完成搬运重物、跨越障碍等任务，在施工过程中会遇到诸多复杂的、动态的挑战[1‒2]。

6.1.2 动态场景的准确感知

施工活动当中，对环境进行正确的感知，是保证自身及财产安全的前提。施工现场粉尘或者雾霾会遮挡目标、影响视线，增大危险事件的发生概率。深海建造机器人的感知能力也会受到低光环境以及图像失真所带来的影响。深海里光线很少，几乎没有任何照明[5]。因此传统的视觉传感器和系统不能满足这些条件。为了克服上述困难，机器人会使用声纳、红外等传感器来加强自身的视觉感知。声纳技术利用声波在水中的传播来探测目标、测量距离，具有深海环境下可靠的感知能力。红外传感器检测热辐射，不受光照条件的影响，在低光或者完全黑暗的情况下也能保持高效的感知性能[2]。极端的外星环境也存在着类似低光条件、空间杂散光干扰的问题[6]，这使得机器人在行星表面或者外太空的感知准确性受到很大的影响。

6.1.3 非结构化场地的智能规划

非结构化环境下的智能决策规划复杂性、挑战性是全方位的。对于月球、火星等极端外星环境下的原位施工来说，由于环境的不确定性给传统的路线图法[127]、RRT [128]等运动规划方法带来了很大的困难，这些传统的办法对于应对不熟悉的、动态的环境条件来说存在不足之处，从而使得在极端环境下做出决策规划变得十分困难。深度强化学习依靠机器同环境的相互作用来达成学习，让机器可以慢慢累积经验并改良决策策略，从而应付那些无法预料的施工情形。这种方法使用深度神经网络以及强化学习算法，使得机器人可以不断地提高自己的智能水平，并且能够适应各种不同的操作环境。智能决策能很好地应对施工场景的复杂性、不确定性、不可预见性，保证施工任务安全、高效地完成。这些方法的不断发展和完善，将会给机器人在深空、极端环境中做出智能决策打下坚实的基础，也将为未来的发展指明方向。

6.1.4 控制模型的优化

在极端环境下优化机器人控制模型，对保证控制效果有重要的作用。机械臂在极端环境下施工时起着重要的作用，但是外星环境中微重力条件下的机械臂振动问题更加严重。由于柔性机械臂重量轻，在空间操作过程中很容易产生较大的振动，从而影响精确定位[9]。优化控制模型的主要目的就是抑制振动，从而提高系统的性能[125]。

灾后场景中频繁震动等环境扰动属于常见情况，给建造机器人控制技术带来巨大考验。核设施中的部件一般都会存在较高的残留放射性并且会在高温下工作。远程控制机械臂被用来处理体积大、重量重、形状复杂的核废料。为了保证以上所有操作都安全、准确，必须对轨迹跟踪控制进行精确的控制。在爆破孔钻探等危险工作环境里，高精度控制也十分重要，因为孔位不准会带来危险。控制大跨度重型机械臂的运动是件非常繁杂的工作。为了应对极端环境下可能出现的干扰，必须对机器人的控制模型以及算法做专门的设计和优化。这些控制技术的不断改进和完善，将会给机器人在各种极端环境下的作业奠定坚实的基础，使机器人可以安全、高效、精确地完成各种施工、操作任务。

6.1.5 经济与运营影响

目前AEC行业里的施工任务一般被看作是脏乱、危险、枯燥的[135]。但是由于劳动力短缺，建筑行业雇佣成本正逐步上涨[33,135]。相比于传统的施工过程来说，在极端环境下施工的劳动力成本以及安全风险都会增大[138]。为了克服上述困难，无人施工机械、机器人等新型机械、机器人也应运而生。通过远程操作，操作员在可以远离危险或者污染的环境中进行工作[52,59]。另外，将自主决策能力融入无人施工设备当中，可以最大限度地缩减施工期间的人工干预[1]。所以机器人技术在AEC行业中可以降低成本、提高效率。

6.1.6 安全特性与伦理框架

极端环境下的建造机器人在施工安全上存在人机交互复杂的问题[139]。设计、研究、测试、部署极端环境建造机器人时必须要有伦理框架。因此需要对机器人的稳定性和可靠性等各方面做安全评价。多源异构传感器融合可以克服单个传感器性能的不足，提高极端建造机器人的安全性[140‒141]。另外冗余系统的设置可以保证即使某个部件出现故障，机器人也能继续工作[57]。在保证人员安全的前提下，一旦出现严重故障或者危险情况，可以立刻停止机器人的运行，也可以进行远程接管。研究工作要考虑到极端环境下安全的问题，给出安全标准以及保护措施。这对于防止机器人在危险的工作场所、污染区、恶劣的自然环境中作业时危及人类的生命安全，具有非常重要的作用[45]。

6.2 前景与未来展望

6.2.1 自然启发的仿生设计

机器人在深空、深海、灾后地区等极端环境中的应用有着很大的应用前景。已有研究已经显示机器人在各种具有挑战性的环境中完成任务的能力，可以轻松地穿越空中、水下、陆地复杂的地形。自然进化使地下生物具有了特殊的生物结构，这些结构可以减小阻力、增大推进力。砂鱼蜥（Scincus scincus）和西部铲鼻蛇（Chionactis occipitalis）是洞穴生物的典型示例，它们为机器人的设计和建模提供了宝贵的借鉴[22]。

自然启发的机器人设计要依靠机械工程、材料科学、计算机辅助设计专家的合作来完成。跨学科的研讨会、仿真模拟等有利于知识交流、联合解决问题。蠕动爬行机器人受蚯蚓运动方式的启发，在狭窄的空间里可以实现稳定的移动[24]。象鼻机器人仿照大象设计，可在狭小、障碍众多的环境下完成复杂的工作[23]。钻探机器人模仿鼹鼠设计，对在太空、外星建筑等极端环境下施工发挥着重要的作用[25]。软体机器人具有适应性形状变化的特点，依靠改变自身和物体之间的物理接触关系来提高工作效率和精度[12]。腿式机器人依靠肢体来支撑和移动，相比传统的轮式机器人来说，在陌生的环境下更具有适应性[4]。在泥泞、碎石、雪地、植被、沙漠等非结构化地形下，腿式机器人具有很好的穿越性[2]。

针对地下、非结构化环境的机器人设计与建模研究，既拓宽了机器人在复杂环境中使用的能力范围，又为今后机器人技术的发展提供经验。在该领域的持续探索将推动机器人在各种严苛的环境下得到广泛应用，进而推动智能系统的发展。

6.2.2 多模态数据融合感知

多模态数据融合对提高自主系统认知能力有很重要的作用。机器人所具有的感知能力包含自主运动学估计、接触建模以及对周围环境的映射和理解等几个方面[11]。虽然计算机视觉对于机器人来说可以获取环境信息，但是它和人类不一样，在无缝地将视觉和触觉等不同的感官模式结合起来方面，会遇到一些特别的困难[142]。利用LiDAR、深度摄像头等多模态感知传感器，在材料分类、纹理分类、语义信息获取等各个方面都取得了很好的成果[1]。受人脑启发的神经形态通用位置识别系统（neuromorphic general place recognition, NeuroGPR）是近几年来发展起来的一项新技术，它模仿神经元动态，在统一的空间、时间框架内完成多模态感知，从而达到位置识别的目的[143]。自然界中有许多可以同时对不同的感官模式进行识别的生物，给机器人融合多模态感知数据提供了一个重要的启示[144]。该领域的研究会促进机器人在各个应用领域里感知、决策能力的发展与完善，进而促使机器人技术不断进步。

6.2.3 自适应规划

人在决策的时候依靠自身的经验和当下的环境信息，做出基于直觉、主观的决策。对物理世界有深刻的认识，对于机器人做出有效的规划和决策来说十分重要。根据地形数据来确定机器人的落脚点以及轨迹规划是任务决策的重要环节[2]。现有的研究显示，采用启发式的方法[26]或者卷积神经网络[145]可以更有效地计算出落脚点。将逆强化学习和模仿学习结合起来，可使机器人从人的示范中学会策略[1]。该方法可以提取出人类专家在机械工程中所具有的丰富的决策规则，提高工程机械的智能决策水平。模仿人的决策、行动，机器人就更适应复杂的环境，也更具有决策能力。

另外一个有前景的研究方向就是从自然群体行为中得到启发，来建立机器人群体中的决策机制。鸟类、鱼类等动物具有非常出色的协作与协调行为，它们的协作、协调能力可以被应用到机器人群体中，从而实现更高效的任务分配和协同工作[27]。研究自然群体行为给机器人群体智能决策、协作提供新的认识。

适应性决策依靠专家知识来提高单个建筑机械以及机器人集群的智能。这些研究领域有望在机器人决策与规划方面取得重大创新，最终提升机器人在繁杂任务以及各种环境下的表现。

6.2.4 数据与机理驱动的混合控制

数据和机理驱动混合的控制方法为应对极端环境下的挑战提供新的、可行的解决方案。对于需要对可变对象进行控制的问题，一种有效的策略是将模型先验与任务数据相结合，用于感知和操作[146]。数据驱动的方法，特别是强化学习，在处理复杂的动态系统上具有很强的能力，并且可以保证实时控制的效率。这些方法对于控制双足或者四足机器人有较大的贡献，在模拟环境中有较好的表现[16‒17]。强化学习使得控制策略自然而然地发生改变，成功地完成了从模拟到现实的控制转移[147]。另外，将本体感受反馈融入运动控制，可以使四足机器人对复杂的地形有较好的适应性运动控制[148]。

除了数据驱动的方法外，模仿自然界中动物的敏捷运动也被证明对提高机器人运动控制性能有很好的效果。注意力驱动的递归编码器将本体感觉与外部感觉结合起来，从而得到综合的端到端运动控制。这种方法可以使机器人在接触地形之前就感知到地形的特性，提前规划步态并调整步态，以适应野外各种各样的环境[2,149]。该研究领域取得了很大进展，为复杂、不确定的环境中机器人的控制提供宝贵的经验和指导。通过结合数据驱动方法、强化学习以及仿生技术，有望在机器人运动控制方面取得更深层次的创新与突破，从而为机器人在各种任务中取得更好的表现提供坚实的支撑。

7 结论

极端环境包括危险的作业环境、污染和有害环境以及恶劣的自然环境。在这些极端环境中进行施工通常涉及危及人身安全的风险。建造机器人已成为在这些极端环境中探索和施工的有效解决方案。本文系统地调研了在多种极端环境中作业的建造机器人，考虑了四个关键的分析维度：本体机构、环境感知、运动规划和决策控制。

本研究的目标是全面分析建造机器人在极端环境中使用所面临的技术挑战和知识空白。由于环境的不确定性及数据的复杂性，对建造机器人的建模与优化成为一项极具挑战性的任务。然而，机器人运动学建模与仿生设计的研究，为在极端环境中部署机器人开辟了新的可能性。具有特殊结构设计的机器人在这些环境中表现出色，能够根据不同的任务和场景调整其姿态。智能决策对于成功处理复杂和不可预测的施工场景、确保施工安全和效率至关重要。进一步推进和强化这些研究，将为未来机器人在深空及其他极端环境中的智能决策提供坚实的基础。人工智能技术，特别是强化学习，在控制建造机器人方面表现出强大的适应性。通过对现有研究的严格科学分析，本文确定了该领域的研究前景和未来展望，包括：①受自然启发的仿生结构设计，②多模态数据融合感知，③自适应运动规划，以及④数据和机理混合驱动的控制方法。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

Zhang LJ, Zhao JX, Long PX, Wang LY, Qian LF, Lu FX, et al. An autonomous excavator system for material loading tasks. Sci Robot 2021;6(55): eabc3164. . 10.1126/scirobotics.abc3164
[2]

Miki T, Lee J, Hwangbo J, Wellhausen L, Koltun V, Hutter M. Learning robust perceptive locomotion for quadrupedal robots in the wild. Sci Robot 2022;7(62):eabk2822. . 10.1126/scirobotics.abk2822
[3]

Lu C, Cai C. Challenges and countermeasures for construction safety during the Sichuan‒Tibet railway project. Engineering 2019;5(5):833‒8. . 10.1016/j.eng.2019.06.007
[4]

Arm P, Waibel G, Preisig J, Tuna T, Zhou RY, Bickel V, et al. Scientific exploration of challenging planetary analog environments with a team of legged robots. Sci Robot 2023;8(80):eade9548. . 10.1126/scirobotics.ade9548
[5]

Smith KL, Sherman AD, McGill PR, Henthorn RG, Ferreira J, Connolly TP, et al. Abyssal benthic rover, an autonomous vehicle for long-term monitoring of deep-ocean processes. Sci Robot 2021;6(60):eabl4925. . 10.1126/scirobotics.abl4925
[6]

Gao Y, Chien S. Review on space robotics: toward top-level science through space exploration. Sci Robot 2017;2(7):eaan5074. . 10.1126/scirobotics.aan5074
[7]

Liu D, Wang H, Zhong B, Ding L. Servitization in construction and its transformation pathway: a value-adding perspective. Engineering 2022;19:166‒79. . 10.1016/j.eng.2021.09.013
[8]

Chen X. Research on combined construction technology for cross-subway tunnels in underground spaces. Engineering 2018;4(1):103‒11. . 10.1016/j.eng.2017.08.001
[9]

Yang G, Zhang LR, Yu S, Meng SC, Wang QS, Li QJ. Influences of space perturbations on robotic assembly process of ultra-large structures. Nonlinear Dyn 2023;111(11):10025‒48. . 10.1007/s11071-023-08395-w
[10]

You K, Zhou C, Ding L. Deep learning technology for construction machinery and robotics. Autom Constr 2023;150:104852. . 10.1016/j.autcon.2023.104852
[11]

Thuruthel TG, Shih B, Laschi C, Tolley MT. Soft robot perception using embedded soft sensors and recurrent neural networks. Sci Robot 2019;4(26): eaav1488. . 10.1126/scirobotics.aav1488
[12]

Shih B, Shah D, Li JX, Thuruthel TG, Park YL, Iida F, et al. Electronic skins and machine learning for intelligent soft robots. Sci Robot 2020;5(41):eaaz9239. . 10.1126/scirobotics.aaz9239
[13]

Miro JV, Ulapane N, Shi L, Hunt D, Behrens M. Robotic pipeline wall thickness evaluation for dense nondestructive testing inspection. J Field Robot 2018;35(8):1293‒310. . 10.1002/rob.21828
[14]

Liu N, Chen K, Deng E, Yang WC, Wang YW. Study on dust suppression performance of a new spray device during drilling and blasting construction in the metro tunnel. Tunn Undergr Space Technol 2023;133:104975. . 10.1016/j.tust.2022.104975
[15]

Zhou C, Gao Y, Chen EJ, Ding L, Qin W. Deep learning technologies for shield tunneling: challenges and opportunities. Autom Constr 2023;154:104982. . 10.1016/j.autcon.2023.104982
[16]

Nagatani K, Kiribayashi S, Okada Y, Otake K, Yoshida K, Tadokoro S, et al. Emergency response to the nuclear accident at the Fukushima Daiichi Nuclear Power Plants using mobile rescue robots. J Field Robot 2013;30(1):44‒63. . 10.1002/rob.21439
[17]

Li GZ, Liu SQ, Wang LQ, Zhu R. Skin-inspired quadruple tactile sensors integrated on a robot hand enable object recognition. Sci Robot 2020;5(49): eabc8134. . 10.1126/scirobotics.abc8134
[18]

Mingbo D, Tao M, Jiajia C, Pan Z, Huawei L. RRT-based motion planning algorithm for intelligent vehicle in complex environments. Robot 2015;37(4):443‒50.
[19]

You K, Zhou C, Ding L, Chen W, Zhang R, Xu J, et al. Earthwork digital twin for teleoperation of an automated bulldozer in edge dumping. J Field Robot 2023;40(8):1945‒63. . 10.1002/rob.22234
[20]

Peng XB, Berseth G, van de Panne M. Terrain-adaptive locomotion skills using deep reinforcement learning. ACM Trans Graph 2016;35(4):1‒12. . 10.1145/2897824.2925881
[21]

Peng XB, Berseth G, Yin KK, Van De Panne M. DeepLoco: dynamic locomotion skills using hierarchical deep reinforcement learning. ACM Trans Graph 2017;36(4):1‒13. . 10.1145/3072959.3073602
[22]

Naclerio ND, Karsai A, Murray-Cooper M, Ozkan-Aydin Y, Aydin E, Goldman DI, et al. Controlling subterranean forces enables a fast, steerable, burrowing soft robot. Sci Robot 2021;6(55):eabe2922. . 10.1126/scirobotics.abe2922
[23]

Qin GD, Wu HP, Ji AH. Variable-curvature elephant trunk robot in nuclear industry. Fusion Eng Des 2023;192:113642. . 10.1016/j.fusengdes.2023.113642
[24]

Ishikawa R, Tomita T, Yamada Y, Nakamura T. Development of a peristaltic crawling robot for long-distance complex line sewer pipe inspections. In: Proceedings of the IEEE International Conference on Advanced Intelligent Mechatronics (AIM); 2016 Jul 11‒14; Banff, AB, Canada. Piscataway: IEEE; 2016. p. 413‒8. . 10.1109/aim.2016.7576802
[25]

Lee J, Kim J, Myung H. Design of forelimbs and digging mechanism of biomimetic mole robot for directional drilling. In: Majeed APA, Mat-Jizat JA, Hassan MHA, Taha Z, Choi HL, Kim J, editors. RITA 2018. Lecture notes in mechanical engineering. Singapore: Springer; 2019. p. 341‒51. . 10.1007/978-981-13-8323-6_28
[26]

Jenelten F, Miki T, Vijayan AE, Bjelonic M, Hutter M. Perceptive locomotion in rough terrain—online foothold optimization. IEEE Robot Autom Lett 2020;5(4):5370‒6. . 10.1109/lra.2020.3007427
[27]

Berlinger F, Gauci M, Nagpal R. Implicit coordination for 3D underwater collective behaviors in a fish-inspired robot swarm. Sci Robot 2021;6(50): eabd8668. . 10.1126/scirobotics.abd8668
[28]

Yang GZ. Digital architecture and robotic construction. Sci Robot 2017;2(5): eaan3673. . 10.1126/scirobotics.aan3673
[29]

Bergemann D, Morris S. Robust mechanism design. Econometrica 2005;73(6):1771‒813. . 10.1111/j.1468-0262.2005.00638.x
[30]

Pavan A, Segal I, Toikka J. Dynamic mechanism design: a myersonian approach. Econometrica 2014;82(2):601‒53. . 10.3982/ecta10269
[31]

Phelps S, McBurney P, Parsons S. Evolutionary mechanism design: a review. Auton Agent Multi-Agent Syst 2010;21(2):237‒64. . 10.1007/s10458-009-9108-7
[32]

Johns RL, Wermelinger M, Mascaro R, Jud D, Hurkxkens I, Vasey L, et al. A framework for robotic excavation and dry stone construction using on-site materials. Sci Robot 2023;8(84):eabp9758. . 10.1126/scirobotics.abp9758
[33]

Keating SJ, Leland JC, Cai L, Oxman N. Toward site-specific and self-sufficient robotic fabrication on architectural scales. Sci Robot 2017;2(5):eaam8986. . 10.1126/scirobotics.aam8986
[34]

Zhang KT, Chermprayong P, Xiao F, Tzoumanikas D, DamsT,KayS,etal. Aerial additive manufacturing with multiple autonomous robots. Nature 2022;609(7928):709‒17. . 10.1038/s41586-022-04988-4
[35]

Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. Int J Surg 2021;88:105906. . 10.1016/j.jclinepi.2021.02.003
[36]

Zhao YF, Taib N. Cloud-based building information modelling (Cloud-BIM): systematic literature review and bibliometric‒qualitative analysis. Autom Constr 2022;142:104468. . 10.1016/j.autcon.2022.104468
[37]

Chung SH, Moon S, Kim J, Kim J, Lim S, Chi SK. Comparing natural language processing (NLP) applications in construction and computer science using preferred reporting items for systematic reviews (PRISMA). Autom Constr 2023;154:105020. . 10.1016/j.autcon.2023.105020
[38]

Pal A, Hsieh SH. Deep-learning-based visual data analytics for smart construction management. Autom Constr 2021;131:103892. . 10.1016/j.autcon.2021.103892
[39]

Bonchis A, Duff E, Roberts J, Bosse M. Robotic explosive charging in mining and construction applications. IEEE Trans Autom Sci Eng 2014;11(1):245‒50. . 10.1109/tase.2013.2241425
[40]

Zhou XY, Bai WY, He JL, Dai J, Liu P, Zhao YM, et al. An enhanced positional error compensation method for rock drilling robots based on LightGBM and RBFN. Front Neurorobot 2022;16:883816. . 10.3389/fnbot.2022.883816
[41]

Montorfano C, Giti Ruberto R. Developing cross passages and safety niches in a rationalized way using remote controlled demolition robots. In: Peila D, Viggiani G, Celestino T, editors. Tunnels and underground cities. Engineering and innovation meet archaeology, architecture and art. London: CRC Press; 2020. p. 4095‒103. . 10.1201/9780429424441-433
[42]

Nguyen TH, Nguyen TQ. A kinematic control algorithm for blasthole drilling robotic arm in tunneling. Sci Technol Development J 2017;20(K5):13‒22. . 10.32508/stdj.v20ik5.1153
[43]

Xie Xh, Zhou L, He Qh. GRNN-based error-compensating algorithms in feeding beam of tunnel Rock-drilling robot. In: Proceedings of the 2010 IEEE International Conference on Mechatronics and Automation; 2010 Aug 4‒7; Xi’an, China. Piscataway: IEEE; 2010. p. 1410‒3. . 10.1109/icma.2010.5589067
[44]

Li J, Wang Y, Zhang K, Wang ZQ, Lu JX. Design and analysis of demolition robot arm based on finite element method. Adv Mech Eng 2019;11(6):1‒9. . 10.1177/1687814019853964
[45]

Derlukiewicz D, Ptak M, Wilhelm J, Jakubowski K. The numerical-experimental studies of demolition machine operator work. In: Rusiński E, Pietrusiak D, editors. Proceedings of the 13th International Scientific Conference. RESRB 2016. Lecture notes in mechanical engineering. Cham: Springer; 2017. p. 129‒38. . 10.1007/978-3-319-50938-9_14
[46]

Lee HJ, Brell-Cokcan S. Reinforcement learning-based virtual fixtures for Teleoperation of Hydraulic Construction Machine. In: Proceedings of the 2023 32nd IEEE International Conference on Robot and Human Interactive Communication (RO-MAN); 2023 Aug 28‒31; Busan, Republic of Korea. Piscataway: IEEE; 2023. p. 1360‒7. . 10.1109/ro-man57019.2023.10309417
[47]

Lee HJ, Brell-Cokcan S. Data-driven actuator model-based teleoperation assistance system. In: Proceedings of the 2023 20th International Conference on Ubiquitous Robots (UR); 2023 Jun 25‒28; Honolulu, HI, USA. Piscataway: IEEE; 2023. p. 552‒8. . 10.1109/ur57808.2023.10202488
[48]

Huang J, Cen Y, Zong Y, Bao J. Random-optimal differential evolution neural network model for inverse calculation of demolition robot. In: Liu G, Cen F, editors. Advances in precision instruments engineering. Cham: Springer; 2022. p. 203‒33. and optical. . 10.1007/978-981-16-7258-3_20
[49]

Mu ZG, Liu LY, Jia LH, Zhang LY, Ding N, WangCJ.Intelligent demolition robot: structural statics, collision detection, and dynamic control. Autom Construct 2022;142:104490. . 10.1016/j.autcon.2022.104490
[50]

GlobalBrokk. Brokk Introduces the Brokk Surface Grinder 530 [Internet]. Beijing: Brokk China; c2022 [cited 2022 Oct 19]. Available from:

[51]

Hua X, Wang G, Xu J, Chen K. Reinforcement learning-based collision-free path planner for redundant robot in narrow duct. J Intell Manuf 2021;32(2):471‒82. . 10.1007/s10845-020-01582-1
[52]

Mnih V, Kavukcuoglu K, Silver D, Rusu AA, Veness J, Bellemare MG, et al. Human-level control through deep reinforcement learning. Nature 2015;518(7540):529‒33. . 10.1038/nature14236
[53]

Corucci F, Ruffaldi E. Toward autonomous robots for demolitions in unstructured environments. In: Menegatti E, Michael N, Berns K, Yamaguchi H, editors. Intelligent autonomous systems. Cham: Springer; 2016. p. 1515‒32. . 10.1007/978-3-319-08338-4_109
[54]

Zong Y, Huang J, Bao J, Sun D, Cen Y. Target tracking method for visual autonomous localization of demolition robot. In: Proceedings of the 2022 5th World Conference on Mechanical Engineering and Intelligent Manufacturing (WCMEIM); 2022 Nov 18‒20; Ma’anshan, China. Piscataway: IEEE; 2023. p. 806‒10. . 10.1109/wcmeim56910.2022.10021468
[55]

Ye Y, Cen YW, Xie NG. Motion control on the working device of a demolition robot based on an exponential reaching law. In: Proceedings of the IEEE 5th International Conference on Big Data and Cloud Computing; 2015 Aug 26‒28; Dalian, China. Piscataway: IEEE; 2015. p. 335‒7. . 10.1109/bdcloud.2015.43
[56]

Yoshinada H, Kurashiki K, Kondo D, Nagatani K, Kiribayashi S, Fuchida M, et al. Dual-arm construction robot with remote-control function. In: Tadokoro S, editor. Disaster robotics. Cham: Springer; 2019. p. 195‒264. . 10.1007/978-3-030-05321-5_5
[57]

Kamezaki M, Ishii H, Ishida T, Seki M, Ichiryu K, Kobayashi Y, et al. Design of four-arm four-crawler disaster response robot. In: Proceedings of the IEEE International Conference on Robotics and Automation (ICRA); 2016 May 16‒21; Stockholm, Sweden. Piscataway: IEEE; 2016. p. 2840‒5. . 10.1109/icra.2016.7487447
[58]

Yuta S. Development of a remotely controlled semi-underwater heavy carrier robot for unmanned construction works. J Disaster Res 2017;12(3):432‒45. . 10.20965/jdr.2017.p0432
[59]

Ootsubo K, Kato D, Kawamura T, Yamada H. Support system for teleoperation of slope shaping by a construction robot. In: Proceedings of the 8th IEEE/SICE International Symposium on System Integration (SII); 2015 Dec 11‒13; Nagoya, Japan. Piscataway: IEEE; 2016. p. 918‒23. . 10.1109/sii.2015.7405135
[60]

Ootsubo K, Kawamura T, Yamada H. Construction tele-robotics system with AR presentation. J Phys Conf Ser 2013;433(1):012029. . 10.1088/1742-6596/433/1/012029
[61]

Nubert J, Khattak S, Hutter M. Graph-based multi-sensor fusion for consistent localization of autonomous construction robots. In: Proceedings of the 2022 International Conference on Robotics and Automation (ICRA); 2022 May 23‒27; Philadelphia, PA, USA. Piscataway: IEEE; 2022. p. 10048‒54. . 10.1109/icra46639.2022.9812386
[62]

Fukui R, Kato Y, Kanayama G, Takahashi R, Nakao M. Construction planning for a modularized rail structure: type selection of rail structure modules and dispatch planning of constructor robots. In: Groß R, Kolling A, Berman S, Frazzoli E, Martinoli A, Matsuno F, et al. editors. Distributed autonomous robotic systems. Cham: Springer; 2018. p. 605‒17. . 10.1007/978-3-319-73008-0_42
[63]

Fukui R, Kato Y, Takahashi R, Wan WW, Nakao M. Automated construction system of robot locomotion and operation platform for hazardous environments—basic system design and feasibility study of module transferring and connecting motions. J Field Robot 2016;33(6):751‒64. . 10.1002/rob.21561
[64]

Yasuda M, Fukui R, Warisawa S. Stable, sensor-less and compliance-less module connection for automated construction system of a modularized rail structure. In: Proceedings of the 2012 IEEE International Conference on Robotics and Automation (ICRA); 2021 May 30‒Jun 5; Xi’an, China. Piscataway: IEEE; 2021. p. 6948‒54. . 10.1109/icra48506.2021.9561363
[65]

He DC, Li Y, Meng XP, Si QR. Anti-slip control for unmanned underwater tracked bulldozer based on active disturbance rejection control. Mechatronics 2022;84:102803. . 10.1016/j.mechatronics.2022.102803
[66]

Minamoto M, Kawashima K, Kanno T. Effect of force feedback on a bulldozer-type robot. In: Proceedings of the 2016 IEEE International Conference on Mechatronics and Automation; 2016 Aug 7‒10; Harbin, China. Piscataway: IEEE; 2016. p. 2203‒8. . 10.1109/icma.2016.7558908
[67]

West C, Arvin F, Cheah W, West A, Watson S, Giuliani M, et al. A debris clearance robot for extreme environments. In: Althoefer K, Konstantinova J, Zhang K, editors. Towards autonomous robotic systems. Cham: Springer; 2019. p. 148‒59. . 10.1007/978-3-030-23807-0_13
[68]

Kamata M, Yamazaki S, Tanise Y, Yamada Y, Nakamura T. Morphological change in peristaltic crawling motion of a narrow pipe inspection robot inspired by earthworm’s locomotion. Adv Robot 2018;32(7):386‒97. . 10.1080/01691864.2017.1417158
[69]

Gao H, Du J, Tang M, Shi W. Research on a new type peristaltic micro in-pipe robot. In: Proceedings of the 2011 IEEE/ICME International Conference on Complex Medical Engineering; 2011 May 22‒25; Harbin, China. Piscataway: IEEE; 2011. p. 26‒30. . 10.1109/iccme.2011.5876699
[70]

Razak AAA, Abdullah AH, Kamarudin K, Saad FSA, Shukor SA, Mustafa H, et al. Mobile robot structure design, modeling and simulation for confined space application. In: Proceedings of the 2nd IEEE International Symposium on Robotics and Manufacturing Automation (ROMA); 2016 Sep 25‒27; Ipoh, Malaysia. Piscataway: IEEE; 2017. p. 1‒5. . 10.1109/roma.2016.7847808
[71]

Mateos LA, Zhou K, Vincze M. Towards efficient pipe maintenance: DeWaLoP in-pipe robot stability controller. In: Proceedings of the 2012 IEEE International Conference on Mechatronics and Automation; 2012 Aug 5‒8; Chengdu, China. Piscataway: IEEE; 2012. p. 1‒6. . 10.1109/icma.2012.6282337
[72]

Liu F, Liu W, Luo H. Operational stability control of a buried pipeline maintenance robot using an improved PSO‒PID controller. Tunn Undergr Space Technol 2023;138:105178. . 10.1016/j.tust.2023.105178
[73]

Jang H, Kim HM, Lee MS, Song YH, Lee Y, Ryew WR, et al. Development of modularized in-pipe inspection robotic system: MRINSPECT VII+. Robotica 2022;40(5):1361‒84. . 10.1017/s0263574721001156
[74]

Hua X, Wang G, Zhang S, Liu X, Chen K. Trajectory planning of redundant robot for painting inner surface of complex duct considering obstacle avoidance. Robot 2019;41(5):690‒6.
[75]

Zheng T, Wang X, Li H, Zhao CA, Jiang ZH, Huang Q, et al. Design of a robot for inspecting the multishape pipeline systems. IEEE/ASME Trans Mechatron 2022;27(6):4608‒18. . 10.1109/tmech.2022.3160728
[76]

He KM, Sun J, Tang XO. Single image haze removal using dark channel prior. In: Proceedings of the 2009 IEEE Conference on Computer Vision and Pattern Recognition; 2009 Jun 20‒25; Miami, FL, USA. Piscataway: IEEE; 2009. p. 1956‒63. . 10.1109/cvpr.2009.5206515
[77]

He KM, Sun J, Tang XO. Guided image filtering. IEEE Trans Pattern Anal Mach Intell 2013;35(6):1397‒409. . 10.1109/tpami.2012.213
[78]

Li Y, Duthon P, Colomb M, Ibanez-Guzman J. What happens for a ToF LiDAR in fog? IEEE Trans Intell Transp Syst 2021;22(11):6670‒81. . 10.1109/tits.2020.2998077
[79]

Emter T, Frese C, Zube A, Petereit J. Algorithm toolbox for autonomous mobile robotic systems. ATZoffhighway worldw 2017;10(3):48‒53. . 10.1007/s41321-017-0037-0
[80]

Lin XB, Song D, Qin M, Zhang WT, He XY, Xie B. An automatic tunnel shotcrete robot. In: Proceedings of the 2019 Chinese Automation Congress (CAC); 2019 Nov 22‒24; Hangzhou, China. Piscataway: IEEE; 2020. p. 3858‒63. . 10.1109/cac48633.2019.8996350
[81]

Ouyang Q, Lin YH, Zhang XL, Fan YX, Yang WJ, Huang T. Application of 3D reconstruction technology based on an improved MC algorithm in a shotcreting robot. Appl Opt 2022;61(29):8649‒56. . 10.1364/ao.470945
[82]

Zhou Y, Tuzel O. VoxelNet: end-to-end learning for point cloud based 3D object detection. In: Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition; 2018 Jun 18‒23; Salt Lake City, UT, USA. Piscataway: IEEE; 2018. p. 4490‒9. . 10.1109/cvpr.2018.00472
[83]

Wang YY, Li XC, Zhao XL, Hu Y, Tang GW, Bu BL. Performance of the micro-clean space system as a personal protection method at coal mine excavation face. Powder Technol 2024;437:119517. . 10.1016/j.powtec.2024.119517
[84]

Kruse PW, Cunliffe G, Wilson J. Use of remotely operated excavators for environmental restoration projects. In: Proceedings of the Canadian Nuclear Society 15. ConferenceAnnual; 1994 Jun 5‒8; Montreal, PQ, Canada. 1994. p. 9.
[85]

Woock P, Petereit J, Frey C, Beyerer J. ROBDEKON—competence center for decontamination robotics. Automatisierungstechnik 2022;70(10):827‒37. . 10.1515/auto-2022-0072
[86]

Heide NF, Petereit J. Machine learning for the perception of autonomous construction machinery. Automatisierungstechnik 2023;71(3):219‒32. . 10.1515/auto-2022-0054
[87]

Bird B, Nancekievill M, West A, Hayman J, Ballard C, Jones W, et al. Vega—a small, low cost, ground robot for nuclear decommissioning. J Field Robot 2022;39(3):232‒45. . 10.1002/rob.22048
[88]

Burrell T, Montazeri A, Monk S, Taylor CJ. Feedback control-based inverse kinematics solvers for a nuclear decommissioning robot. IFAC-PapersOnLine 2016;49(21):177‒84. . 10.1016/j.ifacol.2016.10.541
[89]

Lai YC, Smith S. Metaheuristic minimum dose path planning for nuclear power plant decommissioning. Ann Nucl Energy 2022;166:108800. . 10.1016/j.anucene.2021.108800
[90]

Chao N, Liu YK, Xia H, Peng MJ, Ayodeji A. DL-RRT* algorithm for least dose path re-planning in dynamic radioactive environments. Nucl Eng Technol 2019;51(3):825‒36. . 10.1016/j.net.2018.11.018
[91]

Tsitsimpelis I, West A, Licata M, Aspinall MD, Jazbec A, Snoj L, et al. Simultaneous, robot-compatible c-Ray spectroscopy and imaging of an operating nuclear reactor. IEEE Sens J 2021;21(4):5434‒43. . 10.1109/jsen.2020.3035147
[92]

Bakari MJ, Zied KM, Seward DW. Development of a multi-arm mobile robot for nuclear decommissioning tasks. Int J Adv Robot Syst 2007;4(4):387‒406. . 10.5772/5665
[93]

Li CQ, Khan H, Lee J, Kim J, Lee MC. Fuzzy TSMCSPO for trajectory tracking of nuclear reactor dismantlement robot manipulator. IEEE Access 2023;11:38696‒707. . 10.1109/access.2023.3253213
[94]

Luo Y, Tao JG, Sun QJ, Deng LP, Deng ZQ. A new underwater robot for crack welding in nuclear power plants. In: Proceedings of the 2018 IEEE International Conference on Robotics and Biomimetics (ROBIO); 2018 Dec 12‒15; Kuala Lumpur, Malaysia. Piscataway: IEEE; 2019. p. 77‒82. . 10.1109/robio.2018.8665279
[95]

Qin WB, Chen EJ, Wang F, Liu WL, Zhou C. Data-driven models in reliability analysis for tunnel structure: a systematic review. Tunn Undergr Space Technol 2024;152:105928. . 10.1016/j.tust.2024.105928
[96]

Armaghani DJ, Mohamad ET, Narayanasamy MS, Narita N, Yagiz S. Development of hybrid intelligent models for predicting TBM penetration rate in hard rock condition. Tunn Undergr Space Technol 2017;63:29‒43. . 10.1016/j.tust.2016.12.009
[97]

Gong MD, Zhao DX, Feng SZ, Wei HL, Yamada H. Force feedback model of electro-hydraulic servo tele-operation robot based on velocity control. In: Proceedings of the 2008 IEEE Conference on Robotics, Automation and Mechatronics; 2008 Sep 21‒24; Chengdu, China. Piscataway: IEEE; 2008. p. 912‒5. . 10.1109/ramech.2008.4681419
[98]

Homma K, Arai T, Adachi H, Nakamura T. Research on components of underground excavation robot. In: Watson GH, Tucker RL, Walters JK, editors. Automation and robotics in construction. Amsterdam: Elsevier; 1993. p. 245‒52. . 10.22260/isarc1993/0032
[99]

Zhang QL, Zhu YW, Ma R, Du SL, Shao K, Jing LJ, et al. Intelligent tunnelling robot system for deep-buried long tunnels. Front Earth Sci 2023;11:1135948. . 10.3389/feart.2023.1135948
[100]

Zhou C, Wang Y, Li R, Guan T, Liu Z, Peng G, et al. Artificial intelligence technology for path planning of automated earthwork machinery. J Field Robot 2024;42:1887‒913. . 10.1002/rob.22479
[101]

Zhang DP, Zhao BW, Zhu KQ, Jiang HY. Dynamic response of deep-sea trawl system during towing process. J Mar Sci Eng 2023;11(1):145. . 10.3390/jmse11010145
[102]

Freudenthal T, Wefer G. Shallow drilling in the deep sea: the sea floor drill rig MeBo. In: Proceedings of the OCEANS 2009-EUROPE; 2009 May 11‒14; Bremen, Germany. Piscataway: IEEE; 2009. p. 1‒4. . 10.1109/oceanse.2009.5278133
[103]

Sverdrup-Thygeson J, Kelasidi E, Pettersen KY, Gravdahl JT. The underwater swimming manipulator—a bio-inspired AUV. In: Proceedings of the 2016IEEE/OES Autonomous Underwater Vehicles (AUV); 2016 Nov 6‒9; Tokyo, Japan. Piscataway: IEEE; 2016. p. 387‒95. . 10.1109/auv.2016.7778701
[104]

Tadami N, Nagai M, Nakatake T, Fujiwara A, Yamada Y, Nakamura T, et al. Curved excavation by a sub-seafloor excavation robot. In: Proceedings of the 2017 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS); 2017 Sep 24‒28; Vancouver, BC, Canada. Piscataway: IEEE; 2017. p. 4950‒6. . 10.1109/iros.2017.8206376
[105]

Nagai M, Mizushina A, Nakamura T, Sugimoto F, Watari K, Nakajo H, et al. Development of a hydraulic artificial muscle for a deep-seafloor excavation robot with a peristaltic crawling mechanism. In: Liu HH, Kubota N, Zhu XY, Dillmann R, Zhou DL, editors. Intelligent robotics and applications. Cham: Springer; 2015. p. 379‒89. . 10.1007/978-3-319-22879-2_35
[106]

Murphy RR. Designing a robot to recover a sunken submarine is hard. Sci Robot 2023;8(81):eadj828 7. . 10.1126/scirobotics.adj8287
[107]

Kim TS, Jang IS, Shin CJ, Lee MK. Underwater construction robot for rubble leveling on the seabed for port construction. In: Proceedings of the 2014 14th International Conference on Control, Automation and Systems (ICCAS2014); 2014 Oct 22‒25; Gyeonggi-do, Republic of korea. Piscataway: IEEE; 2014. p. 1657‒61. . 10.1109/iccas.2014.6987825
[108]

Kim TS, Kim CH, Lee MK. Study on the design and the control of an underwater construction robot for port construction. J Korean Navig Port Reserch 2015;39(3):253‒60. . 10.5394/kinpr.2015.39.3.253
[109]

Song Y, Choi SJ. Underwater 3D reconstruction for underwater construction robot based on 2D multibeam imaging sonar. J Ocean Eng Technol 2016;30(3):227‒33. . 10.5574/ksoe.2016.30.3.227
[110]

AncutiT CO, Ancuti C, BaltaT H. Effective local backscattering estimation for underwater image enhancement. In: Proceedings of the OCEANS 2018 MTS/ IEEE Charleston; 2018 Oct 22‒25; Charleston, SC, USA. Piscataway: IEEE; 2019. p. 1‒4. . 10.1109/oceans.2018.8604731
[111]

Sitorus PE, Ko JH, Kwon OS. Parameter study of chain trenching machines of underwater construction robots via analytical model. In: Proceedings of the OCEANS 2016 MontereyMTS/IEEE; 2016 Sep 19‒23; Monterey, CA, USA. Piscataway: IEEE; 2016. p. 1‒6. . 10.1109/oceans.2016.7761072
[112]

Hong SM, Kang HS, Choi HS, Kim JY. Development of the control algorithm for longitudinal motion of underwater construction robot with trenching. In: Proceedings of the 2017 IEEEUnderwater Technology UT); 2017 Feb 21‒24; Busan, Republic of korea. Piscataway: IEEE; 2017. p. 1‒5. . 10.1109/ut.2017.7890284
[113]

McIsaac KA, Ostrowski JP. A geometric approach to anguilliform locomotion: modelling of an underwater eel robot. In: Proceedings of the Proceedings 1999 IEEE International Conference on Robotics and Automation (Cat. No.99CH36288C); 1999 May 10‒15; Detroit, MI, USA. Piscataway: IEEE; 2002 p. 2843‒8. . 10.1109/robot.1999.774028
[114]

Gorma W, Post MA, White J, Gardner J, Luo Y, Kim J, et al. Development of modular bio-inspired autonomous underwater vehicle for close subsea asset inspection. Appl Sci 2021;11(12):5401. . 10.3390/app11125401
[115]

Xia PX, Xu F, Song ZY, Li S, Du J. Sensory augmentation for subsea robot teleoperation. Comput Ind 2023;145:103836. . 10.1016/j.compind.2022.103836
[116]

Kim H, Choi Y, Park J, Lee J, Lee J, Lee H, et al. Active control strategy for trenching work of track-based underwater construction robot. In: Proceedings of the Thirteenth ISOPE Pacific/Asia Offshore Mechanics Symposium; 2018 Oct 14‒17; Jeju, Republic of Korea; Richardson, TX, OnePetro; 2018. p. ISOPE-P-18-118.
[117]

Finn C, Abbeel P, Levine S. Model-agnostic meta-learning for fast adaptation of deep networks. 2017. arXiv:10.1109/icra.2016.7487173
[118]

Moon J, Bae SH, Cashmore M. Meta reinforcement learning based underwater manipulator control. In: Proceedings of the 2021 21st International Conference on Control, Automation and Systems (ICCAS); 2021 Oct 12‒15; Jeju, Republic of korea. Piscataway: IEEE; 2021. p. 1473‒6. . 10.23919/iccas52745.2021.9650009
[119]

Wei H, Zhang Y, Zhang T, Guan Y, Xu K, Ding X, et al. Review on bioinspired planetary regolith-burrowing robots. Space Sci Rev 2021;217:87. . 10.1007/s11214-021-00863-2
[120]

Lordos G, Brown MJ, Latyshev K, Liao A, Shah S, Meza C, et al. WORMS: field-reconfigurable robots for extreme lunar terrain. In: Proceedings of the 2023 IEEE Aerospace Conference; 2023 Mar 4‒11; SkyBig, MT, USA. Piscataway: IEEE; 2023. p. 1‒21. . 10.1109/aero55745.2023.10115833
[121]

Yazici S. Building in extraterrestrial environments: T-brick shell. J Archit Eng 2018;24(1):04017037. . 10.1061/(asce)ae.1943-5568.0000293
[122]

Cheng S, Gao Y, Shi Y, Xiao L, Ding L, Zhou C, et al. Advances in in-situ resources utilization for extraterrestrial construction. Adv Space Res 2024;74(7):3297‒325. . 10.1016/j.asr.2024.06.029
[123]

Chen QY, Gao YY, Ding LY, Zhou C, Han WB, Zhou Y, et al. Genetic algorithm-based multiobjective optimization for 3D printable design of a double-shell lunar habitat structure. J Aerosp Eng 2023;36(6):04023069. . 10.1061/jaeeez.aseng-4755
[124]

Zhou C, Wang YX, Lu YA, You K, Jiang YT, Wu ZA. Transformer-based berm detection for automated bulldozer safety in edge dumping. Autom Constr 2024;166:105642. . 10.1016/j.autcon.2024.105642
[125]

Sun ZY, Yang H, Dong Q, Mo Y, Li H, Jiang ZH. Autonomous assembly method of 3-arm robot to fix the multipin and hole load plate on a space station. Space 2021;2021:9815389. . 10.34133/2021/9815389
[126]

Zhou C, Chen R, Xu J, Ding LY, Luo HB, Fan J, et al. In-situ construction method for lunar habitation: Chinese super mason. Autom Constr 2019;104:66‒79. . 10.1016/j.autcon.2019.03.024
[127]

Takahashi O, Schilling RJ. Motion planning in a plane using generalized Voronoi diagrams. IEEE Trans Robot Autom 1989;5(2):143‒50. . 10.1109/70.88035
[128]

LaValle S. Rapidly-exploring random trees: a new tool for path planning. Annu Res Rep 1989.
[129]

Yue C, Lin T, Zhang X, Chen X, CaoX. Hierarchical path planning for multi-arm spacecraft with general translational and rotational locomotion mode. Sci China Technol Sci 2023;66(4):1180‒91. . 10.1007/s11431-022-2275-2
[130]

Li DL, Zhong L, Zhu W, Xu ZP, Tang QR, Zhan WH. A survey of space robotic technologies for on-orbit assembly. Space Sci Technol 2022;2022:9849170. . 10.34133/2022/9849170
[131]

Boning P, Dubowsky S. Coordinated control of space robot teams for the on-orbit construction of large flexible space structures. Adv Robot 2010;24(3):303‒23. . 10.1163/016918609x12619993300665
[132]

Yang XX, Ge SS, He W. Dynamic modelling and adaptive robust tracking control of a space robot with two-link flexible manipulators under unknown disturbances. Int J Control 2018;91(4):969‒88. . 10.1080/00207179.2017.1300837
[133]

Galardini DG, Kapellos K, Maesen E. Vision & interactive autonomy bi-lateral experiments on the Japanese satellite ETS-VII. In: Proceedings of the fifth International Symposium on Artificial intelligence, Robotics and Automation in Space; 1999 Jun 1‒3, Noordwijk: Netherlands. Paris: European Space Agency, 1999. p. 217‒24.
[134]

Mueller RP, King RH. Trade study of excavation tools and equipment for lunar outpost development and ISRU. AIP Conf Proc 2008;969(1):237‒44. . 10.1063/1.2844973
[135]

Melenbrink N, Werfel J, Menges A. On-site autonomous construction robots: towards unsupervised building. Autom Constr 2020;119:130012. . 10.1016/j.autcon.2020.103312
[136]

Schuster MJ, Brunner SG, Bussmann K, Büttner S, Dömel A, Hellerer M, et al. Towards autonomous planetary exploration. J Intell Robot Syst 2019;93(3‒4):461‒94. . 10.1007/s10846-017-0680-9
[137]

Cloud JM, Tram MQ, Beksi WJ, DuPuis MA. Lunar excavator mission operations using dynamic movement primitives. In: Proceedings of the 2023 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS); 2023 Oct 1‒5; Detroit, MI, USA. Piscataway: IEEE; 2023. p. 10708‒15. . 10.1109/iros55552.2023.10342005
[138]

Zhou C, Gao YY, Zhou Y, She W, Shi YS, Ding LY, et al. Properties and characteristics of regolith-based materials for extraterrestrial construction. Engineering 2024;37:159‒81. . 10.1016/j.eng.2023.11.019
[139]

Zacharaki A, Kostavelis I, Gasteratos A, Dokas I. Safety bounds in human robot interaction: a survey. Saf Sci 2020;127:104667. . 10.1016/j.ssci.2020.104667
[140]

Kim D, Liu MY, Lee S, Kamat VR. Remote proximity monitoring between mobile construction resources using camera-mounted UAVs. Autom Constr 2019;99:168‒82. . 10.1016/j.autcon.2018.12.014
[141]

You K, Ding LY, Zhou C, Dou QL, Wang XP, Hu B. 5G-based earthwork monitoring system for an unmanned bulldozer. Autom Constr 2021;131:103891. . 10.1016/j.autcon.2021.103891
[142]

Fazeli N, Oller M, Wu J, Wu Z, Tenenbaum JB, Rodriguez A. See, feel, act: hierarchical learning for complex manipulation skills with multisensory fusion. Sci Robot 2019;4(26):eaav3123. . 10.1126/scirobotics.aav3123
[143]

Yu FW, Wu YJ, Ma SC, Xu MK, Li HY, Qu HY, et al. Brain-inspired multimodal hybrid neural network for robot place recognition. Sci Robot 2023;8(78): eabm6996. . 10.1126/scirobotics.abm6996
[144]

Bruck JN, Walmsley SF, Janik VM. Cross-modal perception of identity by sound and taste in bottlenose dolphins. Sci Adv 2022;8(20):eabm7684. . 10.1126/sciadv.abm7684
[145]

Magaña OAV, Barasuol V, Camurri M, Franceschi L, Focchi M, Pontil M, et al. Fast and continuous foothold adaptation for dynamic locomotion through CNNs. IEEE Robot Autom Lett 2019;4(2):2140‒7. . 10.1109/lra.2019.2899434
[146]

Yin H, Varava A, Kragic D. Modeling, learning, perception, and control methods for deformable object manipulation. Sci Robot 2021;6(54): eabd8803. . 10.1126/scirobotics.abd8803
[147]

Hwangbo J, Lee J, Dosovitskiy A, Bellicoso D, Tsounis V, Koltun V, et al. Learning agile and dynamic motor skills for legged robots. Sci Robot 2019;4(26):eaau5872. . 10.1126/scirobotics.aau5872
[148]

Lee J, Hwangbo J, Wellhausen L, Koltun V, Hutter M. Learning quadrupedal locomotion over challenging terrain. Sci Robot 2020;5(47):eabc5986. . 10.1126/scirobotics.abc5986
[149]

Lu YA, You K, Zhou C, Chen JX, Wu ZA, Jiang YT, et al. Video sur veillance-based multi-task learning with swin transformer for earthwork activity classification. Eng Appl Artif Intell 2024;131:107814. . 10.1016/j.engappai.2023.107814

AI Summary AI Mindmap
PDF (5653KB)

Supplementary files

Appendix A

16101

访问

0

被引

详细
导航
相关文章

AI思维导图

/

〈 〉