增加UGV队友反而可能拖慢任务
这篇论文的核心警示是：异构组队并不普遍提升性能。朴素人-UGV策略只要可能就把搬运伤员的活交给机器人，却不优化交接发生的位置，结果使平均任务时间比纯人力基线增加2.0%。这一代价在研究中的Case 2和Case 3最为明显：茂密地形迫使UGV绕行，路程远长于人力直达路线，速度优势被抵消。
机制在于可通行性的不对称。UGV的可通行子图是人力可通行子图的严格子集：人力能通过深达1.2 m的浅水和茂密森林，Warthog则不能。坡度在空载时超过45%、负载时超过20%对两者都不可通行。因此，机器人在开阔地形和道路上的速度只有在交接点让每个智能体都处于自身可通行范围内时才能兑现。
人力与UGV的成本单位并不相同
人力智能体用Pandolf方程建模，该方程根据体重、外部负载、地形因子、步行速度和坡度百分比预测以瓦特为单位的代谢率。第二阶段应用Santee下坡修正和能量储备的三罐液压类比，使步行速度受累积疲劳调制：人在长距离或费力路段逐渐变慢，在较轻松地形上部分恢复。
UGV则使用运动学模型。边的能量来自滚动阻力，F = mg(sin θ + C_rr cos θ)，车辆质量空载为280 kg、搬运100 kg伤员时为380 kg，C_rr按地表类型赋值。有效速度是标称地表覆盖速度乘以max(0.1, 1 − |g%|/g_max)，其中g_max空载为45%、负载为20%。UGV不存在疲劳。
由于两个模型产生的成本不在同一单位下，该框架并不跨智能体累加边成本，而是优化任务级目标，主要是总时间。正是这一设计决定使切换点问题有意义，而不是简单的把两条最短路径接起来。
切换点决定谁在何处搬运伤员
切换点是人力小组与UGV之间的伤员交接位置。在论文描述的代表性场景中，优化策略安排人力把伤员搬过一段UGV无法通行的短区域，同时UGV绕行障碍。这些角色并行执行，才产生了相对两个基线的时间节省。
优化同时求解全部三个切换点，包括最初的人-UGV会合点。这一点很重要，因为它实际上也优化了UGV的目标位置，让规划器找到既能缩短人力搬运距离、又能缩短总任务时间的会合点。切换点被约束为不得落在UGV无法到达的区域，问题用带多样性保持的混合离散粒子群优化求解，运行100次迭代，种群规模为100个粒子。
更快任务比朴素方案消耗更多人力能量
两种人-UGV策略都相对纯人力基线降低了人力能量消耗，但朴素策略降得更多：22.4%，而优化策略为17.8%。这符合预期，因为朴素策略不顾路径成本地最大化UGV负载时间，把最多体力从人身上卸下，代价是整体任务更长。
优化策略接受略小的能量降幅，换取稳定的时间节省。论文认为在时间紧迫的伤员后送中这是正确的取舍，因为几分钟可能决定伤员结局。读者应把两个指标分开看：任务时间是与纯人力基线和朴素人-UGV策略比较，而人力能量消耗只是相对纯人力基线的百分比变化。
Case 3是值得注意的例外。在那里优化策略在任务时间和人力能量消耗上同时优于朴素方案，作者将其归因于同时优化全部三个切换点，而不是固定会合点。
1 km2短任务低估了疲劳与电量限制
评估使用了多个合成1 km2环境，高程和地表覆盖数据由程序生成，分辨率为每格2 m。选择这一分辨率，部分原因是公开的数字高程和地表覆盖地图分辨率限于30 m，部分原因是要容纳Warthog 1.38 m的车宽，使每个智能体始终占据单个格子。任务时长保持在平台标称2.5小时运行时间以内。
作者指出，这一尺度限制了两个关键成本驱动因素的表达：人力疲劳和UGV电池消耗。在更长的任务中，疲劳调制的速度下降会越来越有利于由UGV搬运伤员，而两个智能体的能量约束会提高切换点位置次优的代价。论文预期朴素与优化策略之间的性能差距会随任务规模扩大而拉大，但这一预期是作为预期陈述的，并非实测结果。
第二个边界是规划时成本模型本身。滚动阻力公式基于分类地表覆盖数据。执行时模型，例如AnyNav中基于Stribeck摩擦的成本函数，会利用视觉输入、粗糙度、阻力和转向惩罚进行逐格摩擦预测，而这些输入在程序生成地形的合成环境中并不具备。在部署时，分类的C_rr和标称速度赋值会被视觉感知模型连续预测的摩擦和速度曲线取代。
买到时间的是协同而非机器人数量
这篇论文中与决策相关的比较不是人力对机器人，而是朴素组队对协同组队。部署UGV却不优化交接位置，相对纯人力基线产生了2.0%的平均任务时间代价；同样的硬件配上优化后的切换点，相对该基线缩短5.3%，相对朴素策略缩短7.0%。优化策略在每个测试场景中都取得了最短任务时间。
对于权衡人-UGV伤员后送的读者，论文自身的变量指向一个具体优先级：当人与机器人的成本结构不可通约、可通行性不对称时，就应求解切换点位置，包括最初的会合点。能量与时间的取舍是第二层决策，论文明确倾向于接受较小的17.8%能量降幅，以换取时间紧迫后送中稳定的时间节省。
值得关注的情景划分是地形密度。朴素策略的代价集中在Case 2和Case 3，那里茂密地形迫使UGV长距离绕行。这正是切换点优化发挥价值之处，也是论文自身推理认为随着任务变长、疲劳和电量限制开始起作用时优势会扩大的地方。
本文引用的文献
Traversability-Aware Cooperative Path Planning for Human-UGV Casualty Evacuation
为双智能体人-UGV团队优化伤员交接切换点，使平均任务时间比纯人力基线缩短5.3%、比朴素人-UGV策略缩短7.0%，同时使人力能量消耗降低17.8%；朴素策略能量降幅更大（22.4%），但任务时间增加2.0%。