RAWA-RHP：面向风影响无人机基础设施巡检的残差状态约束插入方法

《Results in Engineering》：RAWA-RHP: Residual-State Constrained Insertion for Wind-Affected UAV Infrastructure Inspection

　　

无人驾驶飞行器（UAV）可用于检查长距离、高处或危险资产，同时减少对人员直接进入的需求。规划层决定访问哪些视点以及飞行器何时应返航。当方向相关的风能、电池储备和障碍物净空同时作用时，该决策变得困难。局部最优的值距比选择未必是剩余任务预算的最佳使用方式。在模型可行的路径前缀构建完成后，RAWA-RHP明确表示剩余检查机会，并应用其残差状态约束插入与装箱程序RR-CMP评估前缀后插入。受控比较将插入步骤的贡献与完整定价规则的贡献分离：与无装箱相比，完整RR-CMP将平均安全加权覆盖率（SWC）提高了0.1640；但与简单可行插入（SFI）相比，仅提高了0.0045，未达到统计显著水平（Holm校正p=0.621）。在计算控制比较中，RAWA-RHP在等式时间（EqTime）和等式评估次数（EqEval）协议下均优于Adaptive-FairALNS，但EqEval仍保留了12.1%的比较器评估次数缺口。探索性泛化测试偏向SFI，而3D执行模拟显示，在校准后名义返回行为改善的同时，强风和相关阵风下仍存在持续故障。这些结果限制了泛化性和飞行转移的结论。

高被引论文解读：RAWA-RHP——面向风影响无人机基础设施巡检的残差状态约束插入与滚动时域规划

一、研究背景与问题动机

无人机（UAV）在电力线、输电塔、风力涡轮机、桥梁等长距离、高空或危险基础设施的巡检中具有显著优势，可减少人员直接暴露风险。现有研究多集中于传感与重建，或局限于静态路径规划；然而在真实巡检任务中，规划层需同时应对方向依赖的风能消耗、电池储备约束与障碍物净空要求。传统局部价值/成本启发式虽计算简便，却无法反映候选目标对剩余任务预算的整体影响：一个在边际旅行成本上极具吸引力的目标，可能耗尽保障路径前缀后续可行的q90返航预算或自适应储备可行性裕度，从而在任务中段引发电池耗尽、返航失败等严重后果。因此，如何在模型可行的路径前缀构建完成之后，显式量化并利用“剩余检查机会”，成为提升巡检任务完成质量的关键。

二、研究目标与总体思路

研究人员提出RAWA-RHP（Residual-state constrained insertion for Wind-Affected UAV Infrastructure Inspection）滚动时域规划器。其核心思想是构造残差状态向量，将候选前缀的剩余能力区分为嵌套的旅行预算裕度（mtravel）、返航预算裕度（mreturn）、自适应储备可行性松弛量（madaptive）以及风险代理裕度（hrisk），并将这些残差量显式纳入前缀搜索、插入决策与评分。RAWA-RHP采用风感知的q90边际能量预算、自适应储备规则、净空风险代理排序和束搜索，构建可行的路径前缀；随后通过RR-CMP（残余状态约束插入与装箱程序）评估在前缀后插入新目标是否满足模型可行性，并依据残差量进行定价。研究通过受控对比将“插入步骤”与“完整定价规则”各自的贡献分离，并在多种计算控制协议下与自适应大邻域搜索（Adaptive-FairALNS）比较，以厘清规划层性能的来源与适用边界。

三、主要结论

受控对比实验表明，相对无装箱变体，完整RR-CMP将平均安全加权覆盖率（SWC）提高0.1640，证明后缀约束插入本身具有显著价值；但完整RR-CMP与简单可行插入（SFI）之间的平均SWC差异仅为+0.0045，95%置信区间跨越零，Holm校正p=0.621，因此未建立完整定价规则优于普通可行插入的统计可靠证据。在计算控制方面，RAWA-RHP在240个中等和强风场景中均优于Adaptive-FairALNS：EqTime协议下差异为+0.0215，EqEval协议下为+0.0303；但EqEval仍保留12.1%的评估次数缺口，故不能视为严格计算公平性证明。探索性泛化矩阵中SFI反而取得更高SWC（0.8259对0.7963），3D执行转移诊断显示校准后名义返航成功率提升至95.0%，但强风和相关阵风下综合评估失败率仍为61.7%–68.3%。因此，研究结论强调：插入步骤明确带来收益，而复杂定价的额外优势未获支持；残差状态表示的价值应通过分阶段消融测试逐项评估，而非默认复杂评分必然产生更广增益。

四、主要关键技术方法

研究人员使用的主要技术方法包括：（1）风感知q90能量预算：基于名义加32个阵风样本的经验90分位边缘能量统计，结合方向风模型计算出行与返航的边际预算；（2）自适应储备与净空风险代理：将电池压力、返航压力与风险代理压力融合为动态储备量，以净空、侧风、阵风计算逐段生存代理并乘积得到路径风险代理；（3）束搜索前缀生成：维护宽度与深度自适应的路径前缀束，按价值、路径长度、剩余灵活性等评分剪枝；（4）RR-CMP残差状态约束插入：枚举未访问目标与插入位置，计算增量q90预算与风险代理差异，以遗憾奖励、松弛奖励和影子价格构成插入增益，逐个接受正增益可行插入；（5）受控计算对比协议：包括无装箱、SFI、无定价RR-CMP等内部对照，以及面向Adaptive-FairALNS的Native、EqTime（等墙钟时间）、EqEval（等评估次数）三种预算控制。样本队列为规划层模拟场景：盲比较含600个共享场景，阵风压力含400个，消融矩阵含360个共享场景，受控插入研究含360个保持场景，计算控制研究取240个中等/强风子集，3D转移评估含60个标定与60个未标定场景，风险代理可靠性评估含216000次相关执行抽样。全部比较均在配对场景键下进行，确保不同算法面对相同地图、风场、目标集与随机种子。

五、研究结果分述

1. 受控残差状态约束插入比较：在360个配对场景上，完整RR-CMP相对无装箱变体平均SWC提升+0.1640（95% CI [+0.1587, +0.1690]），相对SFI仅提升+0.0045且不显著，相对无定价RR-CMP为+0.0072（Holm p=0.010）。结论：后缀插入步骤显著贡献，但完整定价并不优于简单可行插入。

2. Adaptive-FairALNS计算控制：RAWA-RHP在Native、EqTime与EqEval三种协议下均高于Adaptive-FairALNS，差异分别为+0.0551、+0.0215、+0.0303，均p<0.001。EqEval下比较器评估次数/重规划为90324对102772，比率为0.879，存在12.1%缺口。结论：RAWA-RHP表现更优，但EqEval并非严格计算公平证明。

3. 宽基线与核心消融总结：在盲测与阵风压力套件中，RAWA-RHP相对固定迭代ALNS参考分别高出SWC +0.1447与+0.2019。360场景Native核心消融矩阵显示，禁用束搜索、风险代理排序、自适应储备或自适应搜索使SWC降低0.0206至0.0462；禁用后缀约束插入则降低0.1640。结论：插入步骤是最强贡献来源，其余模块亦有辅助作用。

4. 小实例确定性一致性检查：确定性MILP（混合整数线性规划）在8、12、16目标共60个实例上全部获得认证最优解；16目标时RAWA-RHP中位/平均gap为0.0000/0.0094。结论：小规模固定成本问题中RAWA-RHP接近最优，但不代表大规模随机滚动时域问题的近似损失。

5. 探索性泛化与模型失配：30场景矩阵覆盖目标数、世界尺寸、起降点、几何、风与失配类型，但每水平仅有少量独立场景。RAWA-RHP SWC/原始覆盖率0.7963/0.8214，SFI为0.8259/0.8259，RAWA-RHP评估失败率3.3%高于SFI的0.0%。多数亚组置信区间不显著。结论：该矩阵属于探索性压力覆盖，不能支持稳健泛化声明。

6. 3D执行层转移诊断：未标定转移测试评估失败率83.3%–85.0%，主要为电池耗尽与返航失败；仅名义开发标定后独立评估失败率仍为61.7%–68.3%。RAWA-RHP相对SFI的SWC差为+0.0003，原始覆盖率差+0.0007。结论：标定改善名义工作范围，但并未带来稳健转移优势。

7. 净空风险代理可靠性：216000次相关执行抽样下，独立乘积代理的Brier分数0.098，ECE 0.038，预测/观测比1.045，未满足全部诊断标准。结论：该量不能解释为碰撞概率，仅可作为净空风险代理。

8. 参数敏感性：单因子敏感性子集显示q80、q95与储备下限F=60均略优于q90/F=80配置；保留q90/F=80仅为保持跨比较一致性，并非经验最优。结论：基准参数是设定性选择，而非优化结果。

9. 延迟分布：固定单核运行保留9962次重规划调用，平均延迟0.6680 s，p90/p95/p99/max分别为1.7534/1.7546/1.7580/1.7873 s，超过1.8 s与2.2 s的比率均为0.00%。结论：内部1.75 s搜索上限在固定核心模拟下得到良好保持，但不等同于机载硬件验证。

10. 补充部分成功度量：完整RR-CMP的原始覆盖率、成功覆盖率与失败前覆盖率均为0.8730；SFI对应值为0.8737。完整RR-CMP最终储备49.5单位，最小净空裕度0.852，连续违反幅度scont=0.0000。结论：SWC的保守零分掩盖了部分任务完成信息，辅助指标可揭示更细粒度表现。

六、讨论与结论总结

讨论部分指出，完整RR-CMP与SFI的直接比较不支持复杂定价的额外收益；插入步骤的增益最可能来源于对返航预算裕度与自适应储备松弛量的显式利用。探索性泛化与3D标定结果均未支持RAWA-RHP优于SFI的转移声明。与近期风感知与滚动时域规划器相比，RAWA-RHP的特征在于残差状态显式化、q90经验能量统计和风险代理排序，而非概率约束。部署架构方面，RAWA-RHP应作为高层航点选择服务，置于飞行控制器、状态估计器与局部避障层之上，不可替代姿态控制、地理围栏或应急逻辑。在转移至真实机型前，需用实测电压、电流、地速/空速、风场数据拟合能量系数，并重新校准储备下限、净空余量与风险代理结构；校准包络外的不确定性应触发保守模式，暂停检查、增加储备或指令返航。研究明确承认局限：全部证据来自仿真，无硬件在环或真实飞行；3D模型虽包含动力学与相关扰动，但能量模型为简化形式，风险代理不满足概率解释标准；探索性泛化矩阵仅30场景，确定性MILP仅覆盖8–16目标小实例；SWC因整段归零而偏保守。最终结论强调：RAWA-RHP通过残差状态约束插入，将剩余检查机会显式融入滚动时域前缀构建；受控证据支持插入步骤而未必支持完整定价；实际部署仍以飞行测试和独立低层控制标定为前提。