行为树能否承载现代机器人的自适应需求？一项系统性评估

机器人系统日益运行于动态、不确定且开放的环境中。在这些环境中，设计时的假设可能不再成立，因此必须具备自适应能力以维持有效且安全的操作。行为树（BT）因其模块化、可读性和反应性，被广泛应用于机器人控制架构中。这引发了一个核心问题：BT 是否足以满足现代机器人系统的自适应需求？本文通过文献综述研究并辅以实证验证，对这一问题进行了深入探讨。首先，我们基于文献归纳出机器人自适应需求的分类，将其整理为六大类别：知识、感知、执行、系统、任务和环境。随后，我们针对这些需求分析了经典 BT 的能力与局限性。接着，我们对现有文献中基于 BT 的自适应方法进行特征归纳，将其划分为四大主要类别（即生成、扩展、演化和精化），同时也涵盖了融合多种类别的方法。我们的分析表明，经典 BT 的模块化、灵活性和反应性，不足以满足涉及运行时重构、不确定性推理、任务重新诠释、学习，以及与外部知识和规划机制集成等自适应需求。增强型 BT 方法在不同程度上解决了其中的若干局限，但往往也存在其自身的局限性。我们的研究结果将自适应需求与经典及增强型 BT 的能力和局限性建立了关联，为何时经典 BT 足以胜任、何时需要引入增强机制，以及自适应机器人控制架构中仍存在或新出现哪些挑战提供了指导。