在现代果园静谧的行间，一种新型的劳动者已腾空而起：无人驾驶飞行器，即无人机。与过去那些轰鸣隆隆的大型拖拉机不同，这些机器足够灵巧，可以穿梭于树木之间，并足够精准，仅针对需要关注的病叶或缺乏营养的枝干进行作业。这种从全面覆盖向精准护理的转变，有望节省化学制剂并保护环境。然而，单架无人机无法独自完成全部工作。它的电池会耗尽，携带液体农药的储箱也会很快填满。为了保护大片果园，必须由一群无人机协同工作，轮流飞出、喷洒特定区域、返回中央基地补充物资，然后再再次飞出。挑战在于决定哪架无人机去哪棵树、以什么顺序进行，以及每架无人机进行多少次往返。如果计划不周，有些无人机会精疲力竭，而另一些则会闲置；或者更糟的是，无人机可能会被派往一条在地图上看起来很短、实际上却被树木或禁飞区阻挡的路径，从而导致坠毁或浪费宝贵的能量。
南京邮电大学和南京信息工程大学的研究人员通过开发一种新的协调集群的方法，解决了这一复杂的调度难题。他们创建了一个系统，该系统不仅考虑树木之间的直线距离，而是计算无人机必须飞行的实际安全路径，以避开树枝、建筑物和限制区域等障碍物。为了找到无人机集群的最佳调度方案，他们设计了一种受海象行为启发的新型计算机算法。在野外，海象成群移动，在探索新觅食地与保持靠近群体安全之间寻求平衡。研究人员将这些社会行为转化为数学规则，帮助计算机在数百万种可能的飞行计划中进行搜索，以找到一个能让每架无人机都保持均衡且安全工作的方案。
该团队将他们称之为“增强型海象优化算法”的新算法与用于类似问题的几种现有方法进行了对比测试。他们在模拟的真实果园环境中进行了测试，环境中包含起伏的地形、高度各异的树木以及无人机不得进入的禁飞区。在这些模拟中，新算法的表现始终优于其他方法。它成功地将无人机群飞行的总距离缩减了一个微小但具有意义的幅度，但其最显著的成就体型在于平衡工作量。在最佳结果中，与次优方法相比，最忙碌的无人机与最闲碌的无人机之间飞行的距离差异减少了近一半。这意味着在现实场景中，无人机的损耗时间大致相同，整个机群可以在无需更换疲劳机器的情况下运行更长时间。
这一成功的关键部分在于研究人员如何处理果园的现实情况。许多规划系统假设无人机可以从一棵树直线飞向下一棵树。研究人员指出，这种假设是危险的。通过使用成熟的寻路技术来绘制绕过障碍物所需的实际绕行路径，他们确保了算法生成的调度方案在物理上是可飞行的。他们还加入了第三维度的规划，确保无人机在地面和树冠上方保持安全高度，并且不会进行过于陡峭的爬升或下降，因为这可能对飞行器造成危险。他们生成的每一条飞行路径都会经过检查，以确保其符合无人机的电池限制和安全规则。
这项研究证实，这种新方法在适用于障碍物不移动的静态环境中表现良好。研究人员发现，他们的方法特别擅长防止单架无人机过度劳累而其他无人机处于休息状态，这是导致整个作业速度放缓的常见问题。虽然该系统目前还无法处理移动障碍物或变化的天气，且假设所有无人机都是相同的，但它为自动化农业的未来奠定了坚实的基础。通过将果园视为一个复杂的、三维的空间而非一张平面图，并利用智能的仿生算法来管理机群，研究人员提供了一种切实可行的方法，使这些机器人劳动者保持安全、高效且均衡。其结果是一种调度方法，它将混乱的飞行组合转化为协调、可靠的操作，确保在保护果园的同时，不会使执行任务的机器负担过重。
技术摘要：基于增强型海象优化算法的障碍物感知多无人机植保调度研究
问题陈述
本文解决了在具有复杂地形和障碍物的果园环境中，对协作式植保无人机（UAV）进行调度的挑战。与传统的覆盖路径规划不同，本研究侧重于对离散病害斑块或营养缺乏位点的定点处理。核心问题是一个单仓库、多无人机、多航次调度任务，受以下约束条件限制：
- 续航与载荷： 有限的电池续航和农药容量要求无人机必须定期返回中央仓库。
- 障碍物规避： 树木、建筑物和禁飞区的存在使得欧几里得（直线）距离在路径规划中不再准确。
- 工作量平衡： 需要在同质化机队之间均匀分配任务，以防止特定无人机过载。
- 3D 可行性： 要求生成符合地形净空、爬升角限制以及特定树冠上方作业高度要求的可执行航线。
现有方法通常使用直线距离评估调度方案，这在引入障碍物时会导致不可行或低效的航线。此外，很少有研究能在这些特定的 2.5 维约束下，同时优化任务分配、访问顺序和航线实现。
方法论
作者提出了一个结合确定性航线实现层与元启发式调度优化器的两阶段框架。
调度模型：
- 目标： 一个多目标函数，旨在最小化总航行距离、单架无人机最大累计距离（跨度/Makespan）以及无人机间航线长度的标准差（工作量平衡）。
- 边成本： 边成本 (cij) 不是采用欧几里得距离，而是通过在静态占用图上进行 A* 搜索得出。这确保了调度算法能够考虑到绕过障碍物和禁飞区的水平绕行。
- 约束： 模型强制执行载荷限制、最大航次长度和单仓库返回约束。解码器通过打包任务来构建航次，直到达到容量或范围限制。
航线实现（2.5 维）：
- 水平方向： A* 算法根据调度方案重建任务间的无碰撞路径。
- 垂直方向： 一个 2.5D 高度模型分配高度剖面。无人机保持在地形上方的巡航高度 (Hc)，平滑下降至任务点上方树冠的作业高度 (Hmin)，并遵守最大爬升角（20∘）限制。
- 可行性检查： 调度的 3D 空间距离在调度完成后进行计算，并根据无人机的续航极限进行验证。
增强型海象优化器 (CRWO)：
为了解决 NP-hard 组合调度问题，作者通过三种特定策略增强了标准的海象优化器 (WO)：
- 随机微分变异： 利用历史最优解与随机个体之间的差异来引导扰动，以平衡探索与开发。
- 透镜成像反对学习： 在搜索空间中生成对称的候选解，以跳出局部最优。
- 离散邻域搜索： 应用于精英解，以精细化任务重新分配和访问优先级。
- 编码： 采用双随机键表示法对任务到无人机的分配和访问优先级进行编码，允许连续优化算子解决离散问题。
主要贡献
- 障碍物感知建模： 本文构建了一个调度模型，其中边成本通过 A* 预计算而非欧几里得距离，确保优化目标与可执行航线成本一致。
- CRWO 算法： 开发了一种专门针对高维、受限多无人机调度的增强型元启发式算法 (CRWO)，证明了其性能优于标准 WO、PSO、GWO 等算法。
- 2.5D 实现框架： 一种将 2D 调度搜索与 3D 航线实现解耦的顺序方法，确保生成的调度方案在满足地形净空和爬升角约束的同时，不会使搜索空间因完整的 3D 动力学而变得复杂。
- 全面评估： 在不同障碍物密度（低、中、高）下，通过与八种算法进行严格的基准测试，并进行了消融实验以隔离特定 CRWO 组件的贡献。
实验结果
实验在 800m × 800m 的果园地图上进行，包含 50 个任务和 6 架无人机。
- 相对于基准算法的表现： 在中等障碍物场景下，CRWO 的表现优于最强的基准算法 (PSO)，使平均目标值降低了 3.71%，最大单架无人机累计空间距离降低了 3.70%，且无人机间航线长度的标准差降低了 47.62%。
- 工作量平衡： 在所有障碍物密度下，CRWO 始终实现了最低的工作量变化（标准差），表明其具有卓越的机队利用率。
- 可行性： 所有实现的航次均满足续航、避障、地形净空（最小 5.52m）和爬升角（≤20∘）的约束。
- A* 与 欧几里得对比： 使用 A* 边成本并未显著降低总累计距离（相比于欧几里得调度），但显著改善了工作量平衡（在配对运行中，航线长度标准差从 50.43m 降至 23.11m）。
- 消融实验： 研究证实，结合微分变异、反对学习和离散邻域搜索对于实现最终性能是必要的；移除任何组件都会导致结果退化。
意义与声明
本文声称 CRWO 为静态、单仓库植保作业提供了一种实用的调度方法，在这些场景中，障碍物规避和机队平衡至关重要。作者强调，该方法是一个“平衡调度器”而非纯粹的最短路径算法；其核心价值在于均匀分配工作量，并在无需在优化阶段引入复杂的 3D 耦合的情况下确保满足安全约束。
作者保持了审慎的学术态度，承认当前框架仅限于静态地图、确定性需求和同质化机队。他们明确指出，该方法不保证全局最优，未来的工作需要解决动态重分配、异构机队以及飞行环境不确定性的问题。研究结论认为，尽管在总距离上的增益较小，但由于在工作量平衡和安全合规方面取得了显著改进，CRWO 成为针对性果园保护的可行解决方案。
每周获取最佳 electrical engineering 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。