面向户外机器人的障碍物感知自主覆盖与导航

论文：Obstacle-Aware Autonomous Coverage and Navigation for Outdoor Robots
作者：Leonardo Gargani、Matteo Frosi、Matteo Matteucci，米兰理工大学电子、信息与生物工程系（DEIB）
论文：arXiv 2609.01384v2，2026-09-11，CC BY 4.0，研究领域为机器人学（cs.RO）
原文：https://arxiv.org/abs/2609.01384
代码状态：作者未提供本文系统的公开代码。本文对其实际依赖的 Fields2Cover 与 opennav_coverage 公开实现做了上游核对，但不能把这些仓库视为论文作者的完整复现。

1. 研究背景：几何上可行不等于现场可执行

太阳能场、物流堆场和大型绿地需要机器人长时间重复维护。割草、清扫、巡检和土壤处理都可以抽象为覆盖路径规划问题：机器人携带一定宽度的作业工具，在不穿过已知障碍物的前提下扫过目标区域。经典方法已经在几何层面提供了较成熟的分解、条带生成和路径连接工具，因此“画出一条覆盖路线”本身并不是本文的主要难点。

真正困难的是让同一条路线在户外长时间闭环运行。机器人低速行驶且频繁转向，轮式里程计的航向误差会随时间积累；开放场地的卫星定位可能受多路径和遮挡影响；几何规划器生成的转向与连接段未必适合实际控制器；遇到临时行人或未建图物体时，单纯重新规划可能仍然朝被占用的目标点行驶；任务持续时间还可能跨越一次甚至多次补能。定位、规划、控制、恢复和能源管理必须共同工作。

现有工作通常分别优化其中一个部分。覆盖规划研究关注条带方向、地头转弯和路径长度；Nav2 等导航框架提供代价地图、控制器、恢复行为和任务编排；RTK-GNSS 研究关注全局位置与航向。把各个成熟模块直接拼接起来，并不能自动得到可靠的现场系统，因为模块之间的数据密度、失败模式和时间尺度并不一致。

本文的出发点是补齐从离线几何计划到在线任务执行之间的工程缺口。作者没有重新推导一个全局最优覆盖算法，而是沿用 Fields2Cover 的分解与条带结构，针对真实机器人实际会遇到的航向漂移、路点密度失配、连接段穿越膨胀障碍、未知障碍阻挡目标以及自动停靠等问题增加系统层约束。

论文的验证目标也不是在标准数据集中刷覆盖率，而是回答一个更接近部署的问题：同一套参数和任务监督逻辑，能否在不同形状、不同尺度、有无障碍物的真实户外区域中，无人工接管地从路线起点走到终点并完成停靠。

2. 问题定义与评价口径

系统处理单台差速驱动机器人在近似平面户外地形上的覆盖任务。场地外边界记为多边形 B，预先测绘的障碍物为集合 O。每个障碍物按安全距离扩张后，从边界内部扣除，得到允许通行的区域。这个定义把机器人的几何 footprint 和额外安全余量都转成了规划空间中的禁行区。

可通行区域为：

$$\mathcal A=\operatorname{int}(\mathcal B)\setminus\bigcup_{i=1}^{m}O_i^\delta$$

其中 O_i^δ 表示距离障碍物不超过 δ 的点集，δ 至少覆盖机器人 footprint 半径，并可根据现场风险增大。这个公式的人话含义是：先在场地内部留出可作业区域，再把每个已知障碍物连同安全边一起挖掉。

机器人作业宽度为 w，相邻条带间距为 d_s，且 d_s 小于等于 w。两者之差就是设计重叠。若路径 γ 以弧长 s 参数化，机器人沿路径移动时扫过的地面区域可写为：

$$S(\gamma)=\bigcup_{s\in[0,L]}D_w\bigl(\gamma(s)\bigr)$$

D_w 是垂直于机器人航向、宽度为 w 的作业带。这个集合把“机器人走过哪些点”转换成“工具真正覆盖了哪些面积”，是后续覆盖效率计算的基础。

论文把计划路径记为 γ_plan，实际执行路径记为 γ_exec，覆盖效率定义为：

$$\eta_c=\frac{\left|S(\gamma_{\mathrm{exec}})\cap S(\gamma_{\mathrm{plan}})\cap\mathcal A\right|}{\left|S(\gamma_{\mathrm{plan}})\cap\mathcal A\right|}$$

分子是执行过程中真正扫到的、原本计划覆盖的有效面积，分母是计划本应覆盖的面积，重复扫过的地面只计一次。这个指标刻意不评价规划器是否选择了最短条带顺序，而是集中衡量执行相对原计划的保真程度。它适合回答“路线有没有被稳定跟随”，但不能单独证明规划本身最优。

任务成功另有更严格的完成条件：在完成边界与障碍物准备后，机器人必须无人工干预地到达路线起点、走完整条路线，并在需要时完成末端停靠。成功是整场任务的二值判据，覆盖效率则描述成功执行的质量，两者不能互相替代。

3. 系统总览与硬件平台

系统按离线和在线两段组织。离线阶段记录或输入场地边界，建立带安全余量的障碍物模型，使用 Fields2Cover 生成条带和条带顺序，再执行航向变化感知的重采样、直线连接段替换以及密集障碍聚类。输出是一条可复用的路线 Σ，同一场地重复作业时不需要重新计算。

flowchart LR
    A[记录场地边界] --> B[写入已知障碍]
    B --> C[障碍外扩与可行域]
    C --> D[Fields2Cover 条带和顺序]
    D --> E[共线感知重采样]
    E --> F[直线连接段]
    F --> G[导航执行 20 Hz]
    G --> H{电池是否足够}
    H -->|是| I[继续覆盖]
    H -->|否| J[返回充电桩]
    G --> K[未知障碍目标延后]
    K --> G

在线阶段由 Nav2 行为树监督整条路线的执行。定位滤波器以 20 Hz 输出全局位姿，局部与全局代价地图分别承担未知障碍安全和已知障碍路线约束，Regulated Pure Pursuit 控制器按约 0.4 m/s 的标称速度跟踪截断后的局部路径。电量不足或任务失败时，任务树切入返回充电桩流程，不把补能留给外部操作员。

实验平台是大型户外维护差速机器人，装有轮式编码器、Unicore UM982 双天线 RTK-GNSS、Livox Mid-360 三维激光雷达和后置相机。固定基站提供地理参考，覆盖与导航使用同一米制坐标系。全部计算在机器人本体完成，不依赖云端。

作业宽度设为 1.0 m，条带间距设为 0.9 m，因此相邻条带按设计重叠 0.1 m。这个重叠不是冗余浪费，而是给横向跟踪误差留出连续性余量。差速底盘可以原地转向，所以系统不必像汽车式农机那样强制满足最小转弯半径，规划优化的重点自然转向路点密度、地头采样和连接段的现场可执行性。

4. 定位：把航向当成一等状态

覆盖工具相对于机器人横向放置，航向误差会直接变成条带偏移。低速、频繁转向和长时间运行使轮式里程计成为不可靠的航向来源。作者没有只融合全局位置，而是把双天线 RTK-GNSS 的实测航向、GNSS 轨迹推导航向和轮式速度更新放进一个 12 状态 EKF。

滤波器状态包含三维位置、横滚、俯仰、偏航、三轴线速度与三轴角速度：

$$\boldsymbol{\xi}=[x,y,z,\phi,\theta,\psi,v_x,v_y,v_z,\omega_x,\omega_y,\omega_z]^{\top}$$

在平面部署中，z 和高度相关状态不参与有效覆盖决策，GNSS 位置主要修正 x、y，双天线定向修正 ψ，轮式里程计主要修正前向速度与偏航角速度。状态维度比平面位姿更大，但实现上仍能维持 20 Hz。论文没有给出三维姿态的独立真值误差，因此不能把“状态中有 z”理解为系统已经验证了复杂坡度或三维地形。

预测阶段采用恒速模型。位置由机体系速度经旋转矩阵映射到全局系，欧拉角由机体系角速度经角速度变换矩阵积分，协方差按非线性转移的雅可比传播：

$$\mathbf P_{k+1}^{-}=\mathbf F_k\mathbf P_k^{+}\mathbf F_k^{\top}+\Delta t\mathbf Q$$

Q 按位置、姿态、线速度和角速度分块设置，具体方差率见表 1。这个公式表达的是预测之后不确定性如何增长；过程噪声越大，滤波器越愿意相信后续测量，但也会让位姿更易受噪声影响。

每个传感器更新都要先通过新息门限。设测量为 z_k，预测观测为 h(ξ̂_k^-)，则新息与协方差为：

$$\boldsymbol\nu_k=\mathbf z_k-\mathbf h(\hat{\boldsymbol\xi}_k^{-}),\qquad \mathbf S_k=\mathbf H_k\mathbf P_k^{-}\mathbf H_k^{\top}+\mathbf R_k$$

系统只在平方马氏距离低于传感器阈值时接受更新：

$$d_k^2=\boldsymbol\nu_k^{\top}\mathbf S_k^{-1}\boldsymbol\nu_k\lt\tau_s^2$$

GNSS 位置和实测航向的 τ_s 为 5，里程计 twist 的 τ_s 为 10。门限不是按欧氏距离判断，而是按预测协方差归一化，因此同一个空间偏差在滤波器不确定性较大时可能被接受，在不确定性较小时则可能被拒绝。角度新息先绕回 [-π, π]，避免跨越正负 180 度时被误判为突变。

当双天线定向不可用时，系统从连续 GNSS 位置推导航向。只有机器人相对上一个接纳点移动至少 0.3 m，新的位置才进入窗口，窗口最多保留 5 个位置。相邻位置差给出若干方向 β_j，再作圆平均：

$$\hat\psi_k=\operatorname{atan2}\left(\sum_j\sin\beta_j,\sum_j\cos\beta_j\right)$$

圆平均避免了普通角度均值在 ±π 附近产生错误。只有窗口内方向离散度低于 0.1 时，推导航向才作为仅偏航更新写入滤波器。若两类航向源都不可用，系统跳过偏航更新并继续通过运动模型传播，等待下一次有效观测。

定位参数	取值	作用
位置过程噪声 Qp	(0.05, 0.05, 0.05)	控制位置预测不确定性增长
姿态过程噪声 Qrpy	(0.03, 0.03, 0.03)	控制姿态预测不确定性增长
线速度过程噪声 Qv	(0.025, 0.025, 0.04)	约束平面与垂向速度状态
角速度过程噪声 Qω	(0.01, 0.01, 0.02)	约束三轴角速度状态
GNSS 门限 τGNSS	5	拒绝位置与实测定向异常新息
里程计 twist 门限	10	允许底盘短时动力学波动
航向窗口最小位移 δp	0.3 m	避免用接近 GNSS 噪声尺度的位移估算方向
航向窗口长度 N	5	平衡平滑性与转向响应
方向一致性阈值 Vthr	0.1	拒绝不稳定的轨迹航向

这一设计的合理之处在于航向来源的优先级与可解释性。双天线定向与运动无关，适合原地转向和低速作业；轨迹航向提供退化时的后备；轮式里程计持续给出高频速度信息。系统没有把不同来源不加区分地混成一个抽象测量，而是对每个来源分别设门限，并对推导航向加入位移与一致性约束。

5. 覆盖规划：保留几何骨架，修正执行接口

Fields2Cover 在本文配置中依次完成向内偏移边界、生成平行条带、排列条带顺序以及用运动基元连接相邻条带。作者保留这一整体结构，同时指出原输出不是为本文控制器和现场障碍布局量身设计的。三项修正分别处理路点密度、连接段可行性和密集障碍物造成的窄缝。

5.1 共线感知重采样

原始规划在转弯处点很密，而长直线条带可能只有少量路点。固定间隔的均匀重采样能补足直线，却会把转弯处同样稀释，改变控制器看到的局部几何。作者希望只改变目标点密度，不改变路径本身，因此先计算每个内部顶点相对前后邻点弦线的夹角。

设 c_i=p_i+1-p_i-1，d_i=p_i-p_i-1，则：

$$\alpha_i=\arccos\frac{c_i\cdot d_i}{\lVert c_i\rVert\lVert d_i\rVert}$$

当三点接近共线时，α_i 接近 0；转弯越急，夹角越大。算法先按 0.10 m 最小间距和 0.50 m 最大间距整理点列，再删除夹角不超过 0.01 度的近共线顶点，最后重新插值仍然过长的线段。

1. 复制起点，逐点检查与上一保留点的距离。
2. 距离超过 d_max 时等距插入点，距离落在 [d_min, d_max] 时保留原点。
3. 删除近共线内部顶点，保留转弯处的密集采样。
4. 对剩余长线段再次等距插值，输出等价的更均匀目标序列。

Figure 3(a)：左侧为 Fields2Cover 原始路点密度，右侧为共线感知重采样结果。直线段目标更均匀，转弯段仍保持密集。

这一步看似只影响目标点数量，实际会改变闭环控制的节奏。目标太稀时，纯追踪控制可能在长直线上提前切向或形成较大的横向偏差；目标太密时，控制器又会频繁切换局部目标并在地头产生停顿。把目标间距明确约束在 0.1 m 至 0.5 m，同时保留转弯几何，是让规划输出适配 0.4 m/s 底盘和 5 m 路径截断控制的直接办法。

5.2 障碍物感知的直线连接

Fields2Cover 的条带本身会尊重障碍膨胀区域，但连接两个条带的运动基元由另一个模块生成，可能穿过膨胀障碍。作者关闭原生连接器，把每条条带终点与下一段起点用直线连接意图代替。

直线连接不是承诺机器人会沿直线行驶到底。它只固定条带之间的目标结构，让全局规划器在已知障碍的代价地图上绕行，让控制器在局部代价地图上避让未知障碍。若连接方向被障碍物截断，目标管理逻辑会延后受影响目标，机器人可以先处理其他可达条带。

Figure 3(b)：左侧原生连接段形成回环，右侧改为条带端点之间的直线意图，由在线导航层负责实际避障。

这一处理把离线规划的职责从“给出一条处处可执行的完整轨迹”缩小为“给出有序作业目标与合理连接意图”。它的优势是把已知地图和实时感知放在各自擅长的位置：静态已知障碍由全局代价地图稳定处理，临时障碍由滚动局部地图处理。代价是离线系统不再能单独证明每个连接在未知障碍存在时必然可达，后续目标延后策略因此成为必要组成。

5.3 面向布局的障碍物聚类

密集小障碍之间可能留有几何上存在、机器人却无法安全通过的窄缝。覆盖规划器如果把这些缝隙当成可通行空间，会生成大量无效连接。作者把障碍层栅格化为二值占据图，再用矩形结构元素做膨胀。结构元素在垂直于行驶方向上的尺寸更大，膨胀后的连通轮廓重新提取为障碍多边形。

如果两个障碍的间距小于结构元素宽度，它们被合并为一个障碍，原本不可执行的窄缝从可行域中消失。由于只吞掉狭窄空隙，区域面积不会大面积减少，但规划问题的拓扑复杂度明显下降。这是用很小的几何保守性换取连接路径的可执行性。

5.4 规划与执行参数

阶段	参数	取值
覆盖规划	作业宽度 w	1.0 m
覆盖规划	条带间距 ds	0.9 m
覆盖规划	最小路点间距 dmin	0.10 m
覆盖规划	最大路点间距 dmax	0.50 m
覆盖规划	共线角阈值 αthr	0.01°
在线执行	目标前瞻 K	4
在线执行	目标剪枝半径	0.85 m
在线执行	控制器路径截断	5 m
在线执行	目标代价阈值 cmax	10
在线执行	最大延后次数 rmax	3
在线执行	位置与航向容差	0.5 m，0.5 rad

这些参数之间存在明确耦合。0.85 m 的剪枝半径大于 0.5 m 的最大路点间距，可以避免机器人为了精确穿过每个目标而走走停停；它又小于 0.9 m 的条带间距，防止控制器把机器人误判为已经到达相邻条带的目标。前瞻只取 4 个目标并把控制器路径截断到 5 m，使任意长路线上的每次重规划都保持有限计算量。

6. 在线执行：行为树承担任务级自治

系统使用两层行为树。上层任务树描述部署循环：检查电量，提取路线目标，解除停靠，把整条路线交给导航层，完成后重新停靠。下层导航树先以单目标模式到达覆盖路线起点，再进入包含恢复节点的计划与跟随循环。

恢复策略按有限重试预算逐级执行：清理局部代价地图、清理全局代价地图、原地旋转刷新感知、短暂等待未知障碍离开、再短距离后退脱困。这个顺序从低扰动操作开始，逐步升级到改变机器人位置的动作。相比一次失败就直接重新规划，分层恢复把“感知陈旧”“临时阻挡”“控制器陷入局部极小”和“底盘受困”分开处理。

未知障碍不是只交给重新规划。密集路点意味着障碍可能压住未来多个目标，单纯绕开当前路径可能仍把机器人引向被占用的后续目标。每次规划前，监督器检查目标在局部代价地图上的代价，高于阈值 10 的目标被移到队列末尾。目标再次轮到时重试，连续延后 3 次后才丢弃。

这个策略把覆盖任务视为可重排的目标集合，而不是一条绝对不能改写的轨迹。临时行人离开后，滚动局部地图会清除对应占据，延后的目标重新变为可达。若障碍长期存在，系统也不会无限等待，而是在有限预算后放弃该目标并继续任务。

自动停靠接入同一行为树。机器人先导航到充电桩前方的固定 staging pose，并保持后置相机能看到标记；随后使用 ArUco 标记估计相对位姿并闭环对齐，充电状态变化作为成功确认。解除停靠按反向流程退回 staging pose。补能因此是任务逻辑的一部分，而不是运行结束后的单独操作。

7. 实验设置与主要结果

作者报告五个真实户外区域，面积从 168.0 m² 到 1640.9 m²，包含凸多边形、非凸多边形、无障碍物和有障碍物场景。五次任务使用同一套运行协议和参数，准备阶段结束后不再人工干预。另有一个大于全部实车场地的 1.5 ha 光伏场规划仿真，但它没有对应实车执行结果。

Figure 1：系统先记录场地边界并建立米制可行域，再生成覆盖条带。边界多边形一旦形成，同一路线可重复使用。

Figure 1：在可行域内生成平行条带，并把已知障碍从覆盖路径中扣除。图中同时显示场地尺度与障碍分布。

序号	形状	场地面积 m²	计划覆盖 m²	路线长度 m	已知障碍 m²	时长 min:s	覆盖效率
01	凸多边形	168.0	156.3	180.0	0.0	8:35	93.2%
02	凸多边形	196.1	190.6	221.2	0.0	10:12	94.2%
03	非凸多边形	372.7	304.2	356.3	7.5	16:07	93.1%
04	非凸多边形	948.2	711.9	837.2	65.2	36:15	94.9%
05	凸多边形	1640.9	1397.9	1614.1	98.5	68:37	96.1%

五次任务都满足无人工干预的任务成功定义，覆盖效率只跨 3 个百分点，且非凸有障碍场景与凸无障碍场景没有表现出明显断层。最小场地执行 8 分 35 秒，最大场地执行 68 分 37 秒，最大场地的已知障碍面积为 98.5 m²，分布在三个障碍物中。计划覆盖面积小于场地面积，是因为地头、安全边界和障碍膨胀区域不进入实际作业集合。

Figure 6：最大测试场地的计划路线，平行条带由直线连接意图串联，三个已知障碍周围保留边界。

Figure 6：同一场地的实际扫过区域。绿色覆盖基本贴合计划条带，障碍 footprint 与边界处保留空隙。

路线长度与计划覆盖面积之比提供了一个独立于覆盖效率的检查。五个场地的路径密度都在 1.15 至 1.18 m/m²，而单靠 0.9 m 条带间距造成的理论路径密度约为 1/0.9=1.11 m/m²。剩下约 4% 至 6% 的长度来自地头转向与条带连接。这个比例在场地尺度和形状变化下很稳定，说明路径结构没有因为非凸边界或障碍物数量增加而出现明显的低效连接膨胀。

作者还在现场放入行人和临时物体测试未知障碍。激光雷达产生的局部代价地图触发降速、绕行或目标延后，机器人在障碍离开后恢复覆盖，无需人工干预。论文对这组测试只给出定性描述，没有报告障碍出现的次数、距离最小值、延后目标数量或恢复时间，因而不能据此估计真实部署中的避障成功率。

8. 结果说明了什么，又没有说明什么

最有说服力的结果不是单次最大覆盖率 96.1%，而是五个不同几何和尺度场地的结果集中在一个窄区间。若系统对边界形状、已知障碍和路线长度非常敏感，覆盖率通常会随着部署从 180 m 扩展到 1614 m 而明显下降。本文的覆盖效率保持稳定，说明定位、目标密度和在线导航在当前测试范围内具有较好的组合鲁棒性。

第二项有意义的证据是任务完成而非单段导航成功。覆盖作业最容易在长时间运行中暴露定位漂移、恢复失败和补能流程问题。五场任务都完成整条路线，且时长覆盖从不足十分钟到超过一小时的范围，至少证明了软件栈在有限户外试验中没有出现需要人工重启的系统性断点。

但论文没有做与基线的直接对照。读者无法知道同一平台上关闭共线重采样、使用原始连接段或替换定位滤波后会损失多少覆盖率与任务时间。作者报告的是完整系统相对自身计划的执行保真，而不是三个贡献各自带来的增益。因此论文可以支持集成方案在现场可行的结论，却不能支持“三项细化每一项都必要且最优”的因果结论。

实验也没有重复次数和统计区间。五个场地各运行一次，无法区分场次之间的差异来自场地类型、天气、GNSS 条件、未知障碍还是偶然因素。没有独立的高精度真值测量 RTK 位姿和航向误差，也没有在严重遮挡、强多路径、长时间完全失锁的情况下验证定位后备。覆盖效率由同一套定位轨迹和工具宽度模型计算，若全局位姿出现慢漂移，评价本身也可能沿用这种误差。

1.5 ha 光伏场只完成规划仿真，作者明确说它大于所有实车场地。这个结果可以说明 Fields2Cover 流程可以扩展到更大几何范围，不能说明完整系统已在该规模真实运行。实车最大面积为 1640.9 m²，约 0.164 ha，与 1.5 ha 仍相差一个数量级。

9. 代码与实现核对

论文没有给出作者自建 ROS 2 包、定位滤波器、行为树或实验配置的公开仓库。以精确标题和作者名检索也没有找到对应项目，因此读者无法检查论文中 12 状态 EKF、目标延后和停靠流程的具体实现。

为确保方法描述有现实落点，本文核对了论文直接引用的两个上游项目。Fields2Cover 的公开示例确实覆盖地头、条带、条带顺序和运动基元连接，说明论文是在成熟几何规划骨架上做控制器适配。opennav_coverage 提供把覆盖任务接入 Nav2 行为树的路径，但其公开示例主要是计算覆盖路径与跟随路径，并不包含本文所述的双天线定位恢复、自定义路点细化、目标级未知障碍处理和自动停靠。因此两者可以解释依赖关系，不能替代作者代码复现。

从工程复现角度看，最需要公开的不是一个简单启动文件，而是四项参数与接口：EKF 的测量模型和门限、GNSS 轨迹航向窗口、覆盖目标到 Nav2 行为树的目标接口，以及延后目标的队列状态机。缺少这些信息，外部团队可以复现大框架，却难以得到与论文一致的现场行为。

10. 局限分析

作者明确列出两项未来工作。第一，定位尚未解决 GNSS 严重退化或长时间完全不可用的情形。当前系统可以在短时缺测下依赖 EKF 传播和轨迹航向后备，但若全局观测长时间消失，仍需要视觉、激光或其他绝对定位源。第二，系统只支持单机器人，尚未讨论多机区域划分、通信中断、互相避让与充电调度。

独立来看，实验规模和可重复性仍是主要弱点。只有一台机器人、五个场地、每场一次，无法评估长期可靠性。覆盖作业的真实价值往往取决于数十次甚至数百次重复运行中的尾事件，例如卫星定位突然跳变、行人长时间停在条带中央、轮胎打滑、低电量恰好发生在障碍附近、充电接触失败等，本文尚未提供这些失败率。

覆盖规划评价也缺少“计划质量”的独立基准。η_c 衡量实际执行覆盖了计划面积的比例，但若计划本身漏掉了应由场地几何覆盖的区域，高 η_c 仍可能出现。未来需要同时报告场地有效面积、计划覆盖完整性、实际覆盖完整性、路线长度和任务时间，并在相同场景上与原生 Fields2Cover、标准 Nav2 覆盖流程和重规划基线比较。

连接段设计依赖在线全局规划。论文让直线连接成为目标意图，这提高了现场灵活性，也使离线计划的几何可行性弱化。当前结果说明在五个场地中在线层能兜住这些连接，但没有给出最坏情况下的绕行长度、重新规划时间或目标丢弃比例。对障碍密集场地，直连意图可能使路线长度和能耗更依赖在线规划器。

11. 结论与展望

这篇论文的价值更像一份完整系统论文，而不是单一算法论文。它把户外覆盖任务拆成全局定位、可行域准备、几何规划、控制器适配、行为树监督和自动补能六个相互约束的层面，并用五个真实场地说明整套链路可以连续运行。93.1% 至 96.1% 的覆盖效率说明执行轨迹与计划轨迹接近，1.15 至 1.18 m/m² 的路径密度说明几何效率没有随场景扩大而失控。

下一步最值得补齐的是对照实验与故障统计。如果分别去掉 GNSS 定向、重采样、连接段替换和目标延后，量化每个模块对任务完成率、覆盖效率、恢复次数和能耗的影响，论文的系统贡献会更有说服力。另一个关键方向是把 GNSS 失锁后的定位接入视觉、激光地图匹配或学习式相对定位，并在真实大型光伏场完成多场重复试验。

户外覆盖的难点不在画出一条路线，而在让定位、几何、控制和任务监督在数十分钟的真实扰动中仍按同一份计划工作。