机器人软件中的能效：一项系统文献综述 (2020-2024)

本研究对 2020 年至 2024 年间发表的机器人软件层面能效方法进行了系统文献综述，更新并扩展了 2020 年之前的证据。一个自动化但经审计的流程结合了谷歌学术种子搜索、后向/前向滚雪球法，以及用于筛选和数据提取的大语言模型辅助，每个自动化步骤均进行约 10% 的人工审计，并在全文决策中采用共识加平局裁决。最终语料库包含 79 篇同行评审研究，分析了应用领域、指标、评估类型、能耗模型、主要能耗源、软件技术家族以及能耗-质量权衡。工业场景占主导地位 (31.6%)，其次是探索 (25.3%)。电机/执行器在 68.4% 的研究中被确定为主要能耗源，计算/控制器以 13.9% 的比例位居第二。纯仿真评估仍然最为常见 (51.9%)，但混合评估也频繁出现 (25.3%)。基于物理的表示性能耗模型占主导地位 (87.3%)。运动与轨迹优化是领先的技术家族 (69.6%)，通常与学习/预测 (40.5%) 和计算分配/调度 (26.6%) 相结合；电源管理/空闲控制 (11.4%) 和通信/数据效率 (3.8%) 相对研究不足。报告方式存在异质性：包含能耗的复合目标最为常见，而任务归一化指标和单位性能能耗指标出现较少，限制了跨论文的可比性。本综述提供了一个最低限度的报告清单（例如，总能耗和平均功率加上一个任务归一化指标和明确的基线），并强调了跨层设计以及量化非性能权衡（精度、稳定性）方面的机会。一个包含代码、提示词和冻结数据集的复现包随本综述一同提供。