How Realistic Are UAV Routing Studies? An Assessment of Operational Realism, Validation Maturity, and the Path to Deployable Missions
这项针对215项无人机路由研究的系统性综述揭示了算法复杂性与部署就绪性之间的关键差距，强调尽管建模复杂度有所提升，但大多数研究仍缺乏操作现实性、物理验证和可复现性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一架静谧的小型飞行器，正悬停在城市上空，执行着递送包裹、检查输电线路或绘制森林火灾地图的任务。为了实现这一目标，这台机器不仅要能从A点飞到B点，还必须能够在不断变化的世界中穿行。风向可能会改变，电池可能会因为负载过重而消耗得比预期更快，或者新的障碍物可能会突然出现。为了规划这些飞行任务，研究人员构建了复杂的计算机模型来计算出最佳路径。这些模型是现实任务的数字蓝图，旨在告诉无人机确切的航向、飞行速度以及何时降落。人们希望，屏幕上的完美计划能转化为天空中完美的飞行。然而，有一个经常被忽视的关键问题：这些数字蓝图究竟捕捉到了多少真实世界的细节？
Mehmet Çevik 和 Latif Tibet Aktaş 在 2026 年 9 月发表的一项最新的系统性综述中，试图通过研究过去十年关于无人机路径规划的研究来回答这个问题。作者收集并分析了 215 项科学研究，以观察计算机模拟与驾驶实体机器飞行时那混乱、不可预测的现实之间的契合程度。他们考察了研究人员是否考虑了无人机的特定物理特性，例如重型电池或强风如何改变能量消耗，以及他们是在用真实的飞行机器进行测试，还是仅仅在计算机上运行数字。该综述还检查了这些研究的验证程度，即所提出的路径是否曾在现实世界中进行过尝试，还是仅仅停留在纯理论层面的练习。
研究人员发现，计算机算法的复杂程度与它们旨在引导的任务现实之间存在着显著的差距。虽然用于规划这些路径的数学方法已经变得极其先进，但这些模型往往忽略了会导致真实无人机失败的物理约束。在所审查的 215 项研究中，超过三分之二依赖于对能量的简化假设，将无人机的电池视为一个简单的计时器或固定的距离限制，而不是一个根据速度、重量和天气而产生不同消耗的复杂系统。此外，绝大多数研究（约 71%）将环境视为静态且可预测的，忽略了现实任务中经常出现的突发变化，如移动目标、变化的天气或意外的机械故障。
最令人警醒的发现涉及这些想法是如何被测试的。综述显示，该领域高度集中在计算机模拟上。大约 67% 的研究使用合成数据或完全在计算机内部创建的标准基准来评估其方法。只有极小的一部分（约 10%）涉及实际驾驶无人机来测试计划，而仅有 2% 的研究达到了在真实环境中进行全面运营部署的阶段。这意味着，在每发表一百项研究中，只有两项被证明能在模拟之外发挥作用。作者指出，即使研究人员使用了真实世界的数据（例如真实的城市地图或真实的天气记录），他们通常仍会在计算机内运行整个测试，但这并不能保证无人机能够物理执行该路径。
研究还强调，算法的复杂程度并不一定意味着更好的现实就绪度。无论研究人员使用的是传统的数学方法还是较新的人工智能技术，物理验证的水平都保持在较低水平。事实上，最先进的路径架构（那些试图协调多架无人机或处理复杂动态任务的架构）几乎完全是在模拟中进行的测试。综述识别出了一个特定的脱节：研究人员在解决纸面上的复杂谜题方面变得越来越出色，但在跟上证明这些解决方案在实际硬件上有效的需求方面却显得力不从心。例如，虽然许多研究声称解决了无人机充电或机队协同的挑战，但这些复杂场景中极少有在物理机器上得到演示的。
为了弥补这一差距，作者建议改变该领域开展工作的方式。他们认为，未来的研究必须优先考虑“感知物理（physics-aware）”建模，即计算机理解无人机是一个受重力、风力和电池化学性质影响的物理对象，而不仅仅是地图上的一个点。他们还呼吁进行“渐进式验证”，这是一个循序渐进的过程：首先在模拟中测试方法，然后在真实数据中测试，接着在受控飞行测试中测试，最后在实际任务中应用。该综述强调，目标不应仅仅是寻找最短路径或最快算法，而是要创造出足够鲁棒、能够让真实无人机在变化的世界中飞行的路径方法。在研究人员走出计算机屏幕的舒适区、拥抱天空的不可预测性之前，自主无人机任务的承诺将在很大程度上难以实现。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。