无人机与地面车辆协同路径规划技术解析

1. 研究背景与核心挑战

在智慧城市管理、灾害应急响应和现代农业监测等领域，多区域协同覆盖任务正面临前所未有的技术挑战。传统单一设备作业模式已难以满足复杂场景下的效率需求，而地面车辆（GV）与无人机（UAV）协同系统通过优势互补，正在重塑行业作业范式。

核心优势对比：

• 地面车辆：续航持久（通常8-12小时）、负载能力强（可携带多架无人机及充电设备），但受地形限制明显
• 无人机：机动性强（垂直起降、三维机动）、视野开阔（俯视视角），但续航时间短（消费级机型普遍20-40分钟）

当前技术瓶颈具体表现为：

1. 动态耦合约束：无人机需在GV移动充电间隔内完成区域扫描，两者路径需满足严格的时间同步。实测数据显示，在1km²区域内，路径规划偏差超过90秒将导致28%的覆盖率下降
2. 地形适应性缺陷：传统Boustrophedon（割草式）路径在复杂多边形区域会产生高达35%的路径冗余，而螺旋路径在凹多边形区域会出现17%的覆盖盲区

关键发现：2023年CEA农田实测数据表明，现有单层规划算法在15个不规则地块场景中，平均任务完成时间比理论最优值高出42%

2. 双层规划框架设计原理

2.1 系统架构与工作流程

论文提出的双层规划框架采用分级决策机制，其核心创新在于将复杂问题分解为两个相互关联的子问题层：

上层GV路径规划层：

• 输入：区域拓扑图（顶点表示区域中心，边权重含距离和路况系数）
• 决策变量：二进制矩阵X_ij表示GV是否从区域i移动到j
• 目标函数：Min Σ(T_ij * X_ij) 其中T_ij= D_ij/V_gv + ΣW_k
• 约束条件：
  • 无人机续航约束：∀k, ΣT_ij ≤ E_uav / P_hover
  • 访问完整性：ΣX_ij = 1 ∀j∈V

下层UAV路径规划层：

• 区域特征提取：计算圆度指标C=4πA/P²（A为面积，P为周长）
  • C≥0.86 → 螺旋路径生成
  • C<0.86 → 改进BCD分解+自适应割草路径
• 路径优化目标：Min(ΣL_seg + αΣθ_turn) 其中α=0.3（实测最优权重）

2.2 混合求解算法实现

ALNS-HEU混合算法流程：

1. 初始解生成：