Shuangyao Huang, Haibo Zhang, Zhiyi Huang（来自新西兰奥塔哥大学计算机科学系）在2021年发表了题为《e2coop: Energy Efficient and Cooperative Obstacle Detection and Avoidance for UAV Swarms》的研究论文。该研究聚焦无人机（UAV）集群的轨迹规划问题，提出了一种结合人工势场（Artificial Potential Field, APF）与粒子群优化（Particle Swarm Optimization, PSO）的创新方案e2coop，旨在实现无人机集群在避障过程中的高能效协作。

学术背景

无人机集群在无基础设施、非接触式连接场景中展现巨大潜力，但其大规模应用的核心挑战是能源效率。现有避障方案（如速度障碍法VO或单独APF）存在两大缺陷：一是未考虑集群成员间的协同避碰，二是缺乏对能源消耗的优化。e2coop的提出正是为了解决这些问题，通过融合APF的环境感知能力与PSO的搜索能力，实现全局协同的能源最优轨迹规划。

研究流程与方法

1. 环境场构建
   每个无人机通过LiDAR传感器（如SICK TiM561）检测障碍物位置与速度，并通过WiFi共享集群成员信息。基于APF构建环境场（Environmental Field），包含两部分：

   • 集群势场：以虚拟领导者（Virtual Leader）为中心生成对称势场，反映集群运动方向；
     
   • 障碍物势场：根据障碍物距离动态调整强度，禁区（Forbidden Area）内禁止轨迹通过。
     环境场通过公式（13）叠加生成，并转化为二值场（公式14）以提取等高线（Contour）。
     

2. 轨迹规划层
   采用PSO算法优化轨迹参数，目标函数为：
   [ f(c_t) = \lambda_1 f_e(c_t) + \lambda_2 f_s(c_t) ]

   • 能源项（公式2）：最小化轨迹曲率（二阶导数积分），实验证明曲率与伺服电压消耗正相关（图2）；
     
   • 安全项（公式15）：强制轨迹沿环境场等高线分布，避免进入禁区。
     轨迹参数化为弧线（公式18），仅需曲率κ和斜率ω两个参数，降低PSO搜索维度（图5）。
     

3. 轨迹调整层
   当无人机间距小于安全距离（(d_{v2v})）时，通过调整环境场强度（公式16-17）迫使成员飞行于不同等高线。调整方向遵循“近障远离、同距高速优先”规则，确保避碰效率。

主要结果

1. 能源效率
   在障碍物正前方（Obstacle in Front）和侧方（Obstacle on Side）场景下，e2coop比对比方案FFPSO和PPSO节能最高达51%（图6）。关键原因是：

   • 曲率最小化设计减少转向能耗；
     
   • 全局协同避免成员轨迹冲突导致的冗余路径。
     

2. 安全性验证

   • 无人机与障碍物最小距离始终大于设定值（(d_{obs}=26m)或16m）；
     
   • 成员间距离通过等高线分层机制稳定在安全阈值（(d_{v2v}=0.5m)）以上（图8）。
     

3. 参数分析

   • (d{obs})和(d{v2v})增大会延长轨迹但提升安全性（图7a-c）；
     
   • 权重系数(\lambda_1)（能源项）需高于0.4以保证避障有效性（图7d）。
     

结论与价值

e2coop首次将图像处理中的主动轮廓模型（Active Contour Model）思想引入无人机轨迹规划，通过APF与PSO的紧耦合实现：
1. 科学价值：提出环境场与等高线分层理论，为多智能体协同控制提供新范式；
2. 应用价值：显著降低无人机集群能耗，支持长航时任务（如城市物流或灾害巡查）。

研究亮点

1. 创新方法：
   
   • 设计新型适应度函数，融合能源与安全约束；
     
   • 提出二维参数化轨迹表达，大幅降低PSO计算复杂度。
     
2. 实验验证：
   
   • 通过实机实验（图2）验证曲率-能耗关系；
     
   • 仿真对比证明性能优势（图6-7）。
     
3. 扩展性：方案可延伸至三维路径规划，为未来研究奠定基础。
   

其他价值

研究得到新加坡南洋理工大学空中交通管理研究院的实地试验支持，相关视频已公开（ATMRI 2020）。参考文献中详列了与VO、APF、PSO类方法的对比，凸显e2coop的综合性优势。