80、具有威胁和价值区域约束的无人机实时覆盖路径规划

具有威胁和价值区域约束的无人机实时覆盖路径规划

1. 引言

与有人驾驶飞机相比，无人机更适合执行危险和繁琐的任务。在过去十年中，无人机已广泛应用于智能农业、民用安全、摄影测量、野火追踪和监视等领域。覆盖路径规划（CPP）是一个NP难的运动规划问题，在无人机和清洁机器人应用中尤为常见。对于无人机而言，CPP旨在确定一条最佳飞行路径，以覆盖感兴趣区域（AOI），同时避开禁飞区（NFZ）或威胁区域。

CPP问题主要分为两类：完全覆盖路径规划和不完全覆盖路径规划。完全覆盖路径规划无需考虑高价值区域（HVZ）访问问题，因为无人机可以访问禁飞区外的任何点；而不完全覆盖路径规划则需要考虑这一问题。无人机的CPP问题比地面车辆更为复杂，因为无人机通常携带的电能有限且难以控制，因此覆盖路径应尽量减少转弯次数，并尽可能短，以降低能耗和飞行时间。待覆盖区域通常为多边形区域，非多边形区域可通过细胞分解和凸分解等方法转换为多个多边形区域，因此本文将重点关注凸多边形区域的CPP。

现有的CPP方法可归纳为五类：基于几何、基于搜索、基于优化和基于结构检查的方法。对于简单的AOI（如凸多边形区域），几何模式足以探索这些区域，最常见的模式是来回（BF）和螺旋模式。然而，这些算法在处理复杂场景中的不规则形状区域时效率较低，生成的路径在绕过禁飞区时通常有较大转弯角度，且无法访问高价值区域。基于搜索的方法通常先将AOI离散为网格单元，然后为每个移动步骤分配成本，最后使用D 或A 等搜索算法找到最短覆盖路径，但基于网格的方法通常需要大量计算时间，导致路径效率低下且成本高昂，不适用于实际场景。基于优化的算法将CPP问题建模为数学优化问题，然后通过优化算法求解最佳路径，最常用的优化算法是遗传算法（GA）