物理引导的机器人辐射源定位：在任意测量路径和无结构环境中实现
本文提出一种基于物理信息机器学习（PIML）的机器人辐射源定位框架，能够在任意测量路径下精确估计辐射源位置，无需靠近源，从而降低机器人辐射损伤风险。该方法通过设计物理启发张量处理未知障碍物的衰减伽马射线信号，并行计算多个模型以提高鲁棒性。在高保真模拟和物理实验中验证了有效性，并采用连续学习技术增强在线部署的实用性。
机器人辐射源定位（RSL）技术在核安全、环境监测以及放射性废物处理等领域具有重要的应用价值。传统方法通常需要机器人沿着规划路径靠近辐射源，通过测量伽马射线通量来估计源的位置。然而，这种策略存在两个主要问题：首先，靠近辐射源会增加机器人受到辐射损伤的风险，可能导致电子元件失效或机械部件退化；其次，专门为辐射源定位设计的路径规划算法会限制机器人在放射性环境中的任务灵活性，使得机器人难以同时执行其他操作。
为了解决这些挑战，来自韩国首尔大学的研究团队提出了一种基于物理信息机器学习（PIML）的自动化框架。该框架的核心创新在于设计了一种物理启发的模型张量，能够有效地处理未知障碍物对伽马射线通量信号的衰减效应。通过并行计算多个这样的PIML模型，系统可以综合不同测量路径上的数据，从而显著提高辐射源定位的鲁棒性和精度，而无需机器人刻意靠近源。
为了验证方法的有效性，研究团队首先在高保真模拟环境中进行了广泛测试。他们利用蒙特卡洛粒子输运方法模拟了各种随机化场景，包括不同空间尺度（从几米到几十米）、不同类型的辐射源（如点源和面源）、各种障碍物材料（如混凝土、钢铁）和几何形状，以及多种机器人轨迹。模拟结果表明，该方法能够在所有测试条件下保持较高的定位精度，即使机器人的测量路径远离实际源位置。
除了仿真验证，研究人员还进行了物理实验，使用了真实辐射源和障碍物配置，这些配置并未包含在模拟评估中。实验结果进一步证实了该方法的实用性和可靠性。值得注意的是，在真实机器人部署中，系统采用了连续学习技术，使得机器人能够在线运行过程中不断更新模型参数，从而适应环境变化和传感器漂移，增强了系统的实用性和长期稳定性。
这项研究将机器人的辐射感知能力从简单的点通量检测提升到空间智能层面，为未来在核设施巡检、放射性物质泄露应急响应以及太空探索等领域自主机器人应用奠定了坚实基础。相关论文以“Physics-Guided Robotic Radiation Source Localization along Arbitrary Measurement Paths in Unstructured Environments”为题发表于arXiv预印本（arXiv:2606.27624），论文包含18页正文、14张图表和2张表格。