关于调查任务和导航机器人集成的设计理由。a 运动规划中与 ROS 相关的主题图示。b 用于原位观察地形激光扫描 （TLS） 数据的图形模型，以及基于即时交互式传感器的图像和点云进行实时定位和建图的处理流程
四足机器人在户外运动和探索的交互图。a、b 研究者根据对场景的先验知识建立观察任务节点。c 规划并导航机器人到任务的目标位置。d 在运动中，机器人会持续感知周围环境并有效避开已识别的障碍物。e 垂直变化场景中的三维占用网格，其中绿色网格表示机器人的通行区域。f 使用 3D 占用网格图进行机器人运动规划
对滑坡中与灾害相关的组成部分的语义感知技术调查了观测结果。a 原位观测的全景立方体模型。b 使用对象检测和语义分割对滑坡情景特征的感知。c 集成对点云按强度着色的灾害语义组件的分析
协作四足机器人和无人驾驶车辆 （UAV） 在滑坡现场调查中的应用。a 在无人机的摄像头视图中实时检测到四足机器人，并根据地理参考边界框的变换引导向斜坡脚下移动。b 机器人穿过茂密的森林并执行自动调平，以在斜坡地形 （≥ 32°） 上保持平衡 （≤ 4°）。c 对情景进行原位观察，同时发现落石灾害，获得丰富的彩色点云，然后以 （d） 情景的全景立方体的形式组织这些点云
四足机器人和无人机对斜坡场景的协作描述。a 整个区域的 DSM 和 DOM 是根据机载观测重建的。b 显示了四足机器人通过原位观察获得的体积密度为 R = 0.1 m 的点云数据，以及其在斜坡脚附近的相应勘探路径。c 同样，在与机器人相同范围内，距离无人机覆盖的子区域的体积密度为 R = 0.1 m 的点云数据也被描绘了
机载 （a， b） 和机器人 （c， d） 观测的颜色和相对高度区域点云的比较
处理地质灾害现场的点云分割。原始点云源。b 使用语义组件重新组装场景。悬崖 c、树 d 和地面 e 的点云切片上的分段
地质灾害现场以及语义分割的示例结果。a 这个地方可以看到倒下的树木和岩石，特别是倾斜的树木，以及扎根在悬崖上的植被。b 原始点云数据在进行语义分割之前描绘了茂密的树木和被覆盖的悬崖。该颜色表示距俯视图 0 到 30 m 的相对高度。c-e 从原位观察中获得的图像，用于交叉验证和交互式判断
长悬崖的变形区。a 将场景点云语义分割为悬崖、地面和高色植被。b 确定了检测到的悬崖上的潜在裂缝，其中三个被专门标记用于目视调查交叉验证。c 悬崖的照片附有标明岩石裂缝的标签。d-f 与绿色、黄色和红色标记的岩石对应的重建岩石表面从左到右显示
在野外地点 1 和 2 使用低空无人机进行近距离空中观测。a 在野外地点 1 的调查，展示了悬崖上的三种典型结构：b 雨水引起的不均匀侵蚀，（c） 典型的陡峭逆冲断层，以及 （d） 裸露表面的风化纹理。e 在野外地点 2 进行调查，其中 （f） 观察到重叠结构中岩石之间的明显间隙，（g） 在隧道山的下方和上方发现了恢复活力的植被，以及 （h） 山顶上存在零散的岩石
四足机器人贡献的简要总结。a 山体滑坡机器人任务的可能任务。b 四足机器人技术在应对 NATECH 风险方面的潜在能力
尽管机器人技术发展迅速，但在专业要求和相应技术之间取得合理的平衡仍然至关重要。目前这项工作的工作致力于基础方面，例如在滑坡调查的背景下进行机器人改造和观测集成。在未来的工作中，在协调任务规划、交叉分析和验证以及进一步的动态改进方面仍有很大的进步空间。
