基于协同贪婪邻域算法与改进粒子群优化的无人机桥梁检测覆盖路径规划研究

为解决无人机桥梁检测中视点冗余和频繁急转机动导致的效率低下问题，研究人员提出融合Voronoi图的协同贪婪邻域算法（CGN）优化视点分布，并设计贪婪策略改进粒子群算法（GS-IPSO）实现路径全局优化。结果表明，CGN较传统方法显著减少视点数量，GS-IPSO在缩短路径长度的同时降低急转和陡升降频次，提升检测效率与可靠性。该研究为复杂结构智能检测提供新方法。

　　

桥梁作为现代交通基础设施的核心组成部分，其安全性直接关系到公共安全和社会经济运行。然而，传统人工检测方法存在效率低、风险高、覆盖不全等痛点，尤其对于大跨度或复杂结构的桥梁。无人机(UAV)技术的兴起为解决这一问题提供了新思路，但现有检测路径规划方法常因视点冗余和飞行轨迹不合理导致检测效率低下——既可能遗漏关键区域，又因频繁急转陡升陡降增加能耗与事故风险。

针对这一技术瓶颈，中国某高校研究团队在《Engineering Applications of Artificial Intelligence》发表创新性研究，提出融合协同贪婪邻域算法(Collaborative Greedy Neighborhood, CGN)与贪婪策略改进粒子群优化(Greedy Strategy-Improved PSO, GS-IPSO)的双重优化框架。通过Voronoi图预处理桥体表面生成均匀三角网格，利用CGN算法动态优化视点分布；继而构建包含路径长度、急转弯次数和陡升降频次的多目标优化模型，采用融合遗传算法交叉变异和模拟退火Metropolis准则的GS-IPSO求解。实验证实该方法较传统视点偏移法减少38%视点数量，路径优化指标提升显著。

关键技术包括：1)基于Voronoi图的桥体表面三角网格化预处理；2)CGN算法迭代选择覆盖最大未检测区域的视点；3)GS-IPSO算法中引入动态惯性权重和精英粒子轮盘赌选择机制；4)真实环境下的无人机飞行验证。

研究结果

桥面处理
通过Voronoi图将长12m、宽6m、高5m的桥梁模型离散为596个均匀三角网格，结合相机视场角(FOV)62°和云台±30°约束，建立视点-网格覆盖关系模型，为后续优化奠定几何基础。

视点生成
CGN算法通过贪心策略迭代选择覆盖最多未检测网格的视点，重新计算视点中心后更新待覆盖网格集。在相同覆盖要求下，较Q-learning和聚类算法减少21%-35%视点数量，显著降低后续路径规划复杂度。

路径规划模型求解
GS-IPSO算法在传统PSO基础上引入三项创新：1)自适应惯性权重调节全局/局部搜索平衡；2)精英粒子交叉变异增强多样性；3)Metropolis准则接受次优解避免早熟。对比实验显示，其路径长度较传统PSO缩短15%，急转弯次数降低42%，陡升降频次减少37%。

真实环境验证
在包含桥墩结构的实测场景中，该方法完整覆盖所有关键区域，平均单次检测耗时较人工方法减少83%，且无任何碰撞或信号丢失事件发生，验证了工程实用性。

结论与意义
该研究通过CGN-GS-IPSO联合优化框架，首次实现无人机桥梁检测中视点质量与飞行轨迹的双重优化。CGN算法通过几何特征驱动的视点筛选机制，突破传统均匀采样导致的冗余问题；GS-IPSO算法则通过多策略融合改进，有效解决复杂三维路径规划中的多目标优化难题。实验表明，该方法在保证检测覆盖率的前提下，将平均作业效率提升2.1倍，为基础设施智能运维提供重要技术支撑。未来研究可进一步融合数字孪生技术，实现检测路径的动态实时优化。