具有最小信息延迟的多无人机路径规划方法：学术研究报告

作者及发表信息
本文由武汉科技大学机器人与智能系统研究院的陈洋、钟树成、陈志环合作完成，发表于《中国惯性技术学报》（Journal of Chinese Inertial Technology）2024年第5期（Vol.32 No.5），文章编号为1005-6734(2024)05-0521-10，受国家自然科学基金（62173262，62073250）资助。

学术背景
在交通阻塞、洪水灾害、污染源扩散等实时性要求高的监测任务中，多无人机协同工作需兼顾任务效率与信息时效性。传统研究多聚焦于无人机飞行距离最小化，而忽视了信息延迟（Information Delay）对决策质量的影响。此外，现有避障算法多针对两点间路径规划，难以满足多目标点场景的需求。为此，本文提出“最大信息延迟”概念，建立以信息延迟和飞行距离为双目标的路径规划模型，并设计改进的多目标灰狼算法（Improved Multi-Objective Grey Wolf Optimizer, IMOGWO）结合概率路图算法（Probabilistic Road Map, PRM）实现避障优化，旨在提升无人机协同监测的实时性与安全性。

研究流程与方法
1. 模型构建
- 问题定义：将监测环境建模为无向拓扑图，包含基站、目标点及禁飞区。定义决策变量(x{ij}^k)表示无人机k是否经过路径段(e{ij})，并引入最大信息延迟(z_k)（即无人机访问首个目标点至返回基站的时间）。
- 多目标优化模型：以最小化最大信息延迟（式3）和飞行总距离（式4）为目标，约束条件包括无人机能量限制（式9）、禁飞区避障（式7-8）及最大延迟时间（式10）。

1. 算法设计

   • 改进灰狼算法（IMOGWO）：
     
     • 编码与初始化：采用贪婪算法（Algorithm 2）生成初始种群，确保每架无人机至少访问一个目标点且满足约束条件。
       
     • 交叉算子：通过OX交叉策略（图4）更新灰狼位置，保留领导狼（α、β、δ）的优良基因，增强全局搜索能力。
       
     • 局部搜索：设计位置相关破坏算子（Algorithm 3）和后悔修复算子（Algorithm 4），通过移除和重新插入目标点优化局部解。
       
   • 避障优化：利用PRM算法（Algorithm 5）对路径进行局部避障处理，通过随机采样和Dijkstra算法生成无碰撞路径（图7）。
     

2. 仿真与实验验证

   • 仿真设置：6架无人机在含24个目标点的环境中执行任务，参数包括飞行速度0.4 km/min、最大航程10 km、最大延迟15 min。
     
   • 性能对比：与NSGA-II算法相比，IMOGWO的飞行总距离缩短3.34%-5.09%，最大延迟降低11.02%-15.66%（表4），且解集分布更均匀（表5）。
     
   • 实物实验：按比例缩放的实验场景验证了算法的可行性，实际飞行轨迹与仿真结果一致（图12），最大延迟误差控制在10%以内（表6）。
     

主要结果
1. 路径规划效果：IMOGWO生成的Pareto前沿解（图5）包含飞行距离最短（方案A）、延迟最小（方案B）及折衷方案（方案C）。模糊决策选取的折衷方案（方案C）总距离42.79 km，最大延迟13.15 min（表1），经PRM避障后仍保持最优性（图8）。
2. 算法优势：IMOGWO通过交叉算子和局部搜索平衡全局与局部搜索能力，收敛速度虽略慢于NSGA-II（图9-10），但解集质量（QM=100%）和多样性（DM=8.36）显著更优（表5）。

结论与价值
本研究提出了一种兼顾信息延迟与避障的多无人机路径规划方法，其科学价值在于：
1. 理论创新：首次将最大信息延迟引入路径优化目标，弥补了传统研究仅关注飞行距离的不足。
2. 算法改进：IMOGWO结合贪婪初始化、交叉算子和局部搜索，显著提升解的质量；PRM算法实现了复杂环境下的安全飞行。
3. 应用前景：适用于灾害监测、交通监控等实时性要求高的场景，并为无人机持续巡检（如能量补充问题）提供后续研究方向。

研究亮点
1. 多目标建模：同时优化信息延迟和飞行距离，更贴合实际监测需求。
2. 混合算法设计：IMOGWO与PRM的结合兼顾全局优化与局部避障。
3. 实验验证全面：通过仿真与实物实验验证了算法的可行性与鲁棒性。

其他价值
本文提出的贪婪初始化策略和后悔修复算子可扩展至其他组合优化问题，为多智能体路径规划领域提供了新思路。