《Ad Hoc Networks》：Resilient cloud-assisted coordination for multi-UAV low-altitude economy services: Battery-aware coverage reallocation for agricultural sensing
编辑推荐：
低空经济（LAE）正成为自主航空服务的主要驱动力，涵盖物流、巡检、环境监测与精确农业等场景。随着无人机（UAV）机群从孤立飞行转向持续的多智能体作业，瓶颈从单机飞行能力转向智能且具弹性的网络化协同：在广域、基础设施薄弱区域协调机群、分配任务、汇聚遥测数据并优雅
低空经济（LAE）正成为自主航空服务的主要驱动力，涵盖物流、巡检、环境监测与精确农业等场景。随着无人机（UAV）机群从孤立飞行转向持续的多智能体作业，瓶颈从单机飞行能力转向智能且具弹性的网络化协同：在广域、基础设施薄弱区域协调机群、分配任务、汇聚遥测数据并优雅地从通信中断与节点故障中恢复。与城市或中继支持的部署不同，低空乡村作业无法假定持续高带宽连接，而须面对间歇链路、有限回传与严格机载能量预算，使每条协同消息与每分钟飞行时间都成为稀缺资源。精确农业是该问题的典型实例：UAV广泛用于采集高分辨率影像以进行作物监测、植株状态评估、损害检测、冠层分析与产量相关测量，但须在连接不稳、能量预算紧张的乡村区域完成。约12–14 m的低空成像在目标信息关联到单株植物、果实、作物行或局部田间缺陷时尤为有用，然而低空采集显著减小单幅影像覆盖的地面面积，即便小田块也可能需要大量照片、长航线与多次电池循环；当勘测窗口受风、光照、电池容量与劳动力限制时，传统单机割草机式任务效率低下。将勘测分配给多架UAV可提高吞吐量，但将问题转化为网络化与协同问题：系统须生成全覆盖航线、在保持空间连续性的前提下划分工作、在不可靠链路上交换任务状态与遥测并在UAV不可用或电量耗尽时重新分配工作。完整的LAE感知工作流还要求对采集数据进行传输、建图与分析。尽管UAV任务规划与农业计算机视觉进展迅速，支撑此类作业规模化运行的网络化与协同层仍相对欠缺探索。多数现有精确农业系统将连接性视为隐含假设：任务离线规划、独立执行、降落后分析，很少关注间歇链路下协同状态如何交换、体积差异极大的流量（紧凑遥测与海量影像）如何分离、UAV中途丢失或电量耗尽时田间覆盖如何保持。反之，大量弹性网络与LAE连接性文献在抽象仿真环境中评估，与可部署服务及具体能量受限用例联系薄弱。这恰在LAE最需要之处留下空白：一种将轻量容错协同与真实端到端感知服务耦合的实用架构。本研究针对此空白，提出并实现一种面向多UAV低空服务的弹性云辅助自组网架构，以精确农业作为部署与评估场景。作业感知工作流在农业现场验证，受限链路通信经网络仿真，故障恢复机制利用现场多UAV飞行所得任务几何进行软件仿真。核心方法贡献并非农业感知流水线本身，而是使分布式UAV任务在能量限制、UAV丢失与间歇连接下保持覆盖的协同与恢复机制。框架围绕三项密切相关的方法贡献构建。第一，研究人员引入survey-line协同抽象，以完整覆盖线而非单个航点或影像作为任务分配、同步与恢复的原子单元，在保持空间连续性的同时使任务状态与恢复信令紧凑。第二，研究人员开发电池感知重分配机制，将耗尽或故障UAV的未完成survey-line归还共享任务池，并依据增量行程/工作量/能量代价重分配，受显式剩余能量与返航可行性约束。第三，研究人员将同一任务表示与分配规则扩展为去中心化gossip恢复机制，使存活UAV无需地面站链路即可就一致重分配收敛。这些机制运行于混合云辅助/自组网架构内，将低速率任务协同与遥测同高容量影像传输分离。其余组件——基于多边形的覆盖生成、DJI兼容KMZ任务生成、影像地理定位与作物特定影像分析——作为支撑系统组件，用于将协同框架实例化并验证为完整农业感知服务，其纳入旨在展示作业端到端集成与适用性，而非作为主要方法新颖性。据此，本研究主要贡献为：survey-line协同抽象，一种面向多UAV覆盖任务的紧凑任务表示，支持线级分配、同步、进度跟踪与恢复，相对航点级表示大幅降低协同状态；电池感知弹性重分配，一种受限增量重分配机制，在UAV耗尽或故障后重新分配未完成survey-line时纳入行程代价、工作量平衡、剩余电池状态与返航安全储备；网络分区下去中心化恢复，一种基于gossip的协同协议，共享线级计划提供故障检测（计划感知检测器区分故障与超范围对等节点）、将每次恢复限定于小规模邻近机群队列并使分配成为冻结记录的确定性函数，使存活UAV仅靠传播即就无冲突重分配达成一致，无需地面站或拍卖轮次；集成弹性服务架构与验证，在云辅助/自组网多UAV架构内实现上述机制并显式分离协同与影像流量，评估结合现场作业、经真实飞行日志校准与交叉验证的Mavic 3M运动学与能量模型、仿真受限链路以及单一可复现的故障、链路与mesh损伤、基线、敏感性、泛化与至48架UAV可扩展性联合仿真。系统实现经现场验证用于任务规划、分发、感知与农业数据采集；弹性机制在基于现场任务几何的软件仿真中评估，其通信行为在受控乡村链路条件下独立网络仿真。本文其余部分组织如下：第2节回顾弹性低空网络、多UAV协同与任务分配及UAV精确农业相关工作；第3节提出网络化弹性多UAV服务架构，包括混合协同模型、任务状态与流量分离模型、电池感知覆盖重分配机制及其去中心化gossip变体；第4节描述覆盖规划与任务生成算法；第5节详述感知服务实例化（影像地理定位与作物分析）；第6节报告西班牙真实农田实验评估；第7节讨论方法意义与局限；第8节总结并展望未来工作。
研究背景与问题。低空经济（LAE）正成为自主航空服务的主要驱动力，涵盖物流、巡检、环境监测与精确农业等。随着无人机（UAV）机群从孤立飞行转向持续的多智能体作业，瓶颈从单机飞行能力转向智能且具弹性的网络化协同：在广域、基础设施薄弱区域协调机群、分配任务、汇聚遥测数据并优雅地从通信中断与节点故障中恢复。低空乡村作业无法假定持续高带宽连接，而须面对间歇链路、有限回传与严格机载能量预算。精确农业是典型实例：UAV广泛用于采集高分辨率影像以进行作物监测、植株状态评估、损害检测、冠层分析与产量相关测量，但须在连接不稳、能量预算紧张的乡村区域完成。约12–14 m低空成像对单株植物、果实、作物行或局部田间缺陷尤为有用，但显著减小单幅影像覆盖地面面积，即便小田块也可能需要大量照片、长航线与多次电池循环，传统单机割草机式任务在风、光照、电池容量与劳动力限制下效率低下。多UAV分发可提高吞吐量，但转化为网络化与协同问题：须生成全覆盖航线、在保持空间连续性的前提下划分工作、在不可靠链路上交换任务状态与遥测并在UAV不可用或电量耗尽时重新分配。完整LAE感知工作流还要求传输、建图与分析采集数据。尽管UAV任务规划与农业计算机视觉进展迅速，支撑规模化作业的网络化与协同层仍相对欠缺探索。多数现有精确农业系统将连接性视为隐含假设，任务离线规划、独立执行、降落后分析，很少关注间歇链路下协同状态如何交换、体积差异极大的流量如何分离、UAV中途丢失或电量耗尽时田间覆盖如何保持。反之，大量弹性网络与LAE连接性文献在抽象仿真环境中评估，与可部署服务及具体能量受限用例联系薄弱。这恰在LAE最需要之处留下空白：一种将轻量容错协同与真实端到端感知服务耦合的实用架构。本研究针对此空白。
研究内容与结论。本研究提出并实现一种面向多UAV低空服务的弹性云辅助自组网架构，以精确农业作为部署与评估场景。作业感知工作流在农业现场验证，受限链路通信经网络仿真，故障恢复机制利用现场多UAV飞行所得任务几何进行软件仿真。核心方法贡献并非农业感知流水线本身，而是使分布式UAV任务在能量限制、UAV丢失与间歇连接下保持覆盖的协同与恢复机制。框架围绕三项方法贡献构建：其一，引入survey-line协同抽象，以完整覆盖线而非单个航点或影像作为任务分配、同步与恢复的原子单元，在保持空间连续性的同时使任务状态与恢复信令紧凑；其二，开发电池感知重分配机制，将耗尽或故障UAV的未完成survey-line归还共享任务池，并依据增量行程/工作量/能量代价重分配，受显式剩余能量与返航可行性约束；其三，将同一任务表示与分配规则扩展为去中心化gossip恢复机制，使存活UAV无需地面站链路即可就一致重分配收敛。这些机制运行于混合云辅助/自组网架构内，将低速率任务协同与遥测同高容量影像传输分离。其余组件（基于多边形的覆盖生成、DJI兼容KMZ任务生成、影像地理定位与作物特定影像分析）作为支撑系统组件，用于将协同框架实例化并验证为完整农业感知服务。主要贡献为：survey-line协同抽象，支持线级分配、同步、进度跟踪与恢复，大幅降低协同状态；电池感知弹性重分配，纳入行程代价、工作量平衡、剩余电池状态与返航安全储备；网络分区下去中心化恢复，基于gossip的协同协议利用共享线级计划提供故障检测（计划感知检测器区分故障与超范围对等节点）、限定小规模邻近机群队列并使分配成为冻结记录确定性函数，无需地面站或拍卖轮次；集成弹性服务架构与验证，结合现场作业、经真实飞行日志校准与交叉验证的Mavic 3M运动学与能量模型、仿真受限链路及单一可复现联合仿真。系统实现经现场验证用于任务规划、分发、感知与农业数据采集。该架构的意义在于将轻量容错协同与真实端到端感知服务耦合，为LAE在基础设施薄弱区域的多UAV作业提供实用基础。
关键技术方法。研究采用DJI Mavic 3M UAV在西班牙瓦伦西亚地区农田作业（两个田块：葡萄园约2.97 ha、橙园约0.68 ha），现场验证覆盖规划、线级任务生成与云分发、影像采集、地理定位与作物分析。平台运动学与能耗经专用飞行测量：12 m RTK勘测，vs=1.09 m/s，拍照间隔2.00 s（2.09 m步长），线间距4.32 m，相对高度12.00±0.06 m；能量模型由十次飞行控制器日志（DJI FlightRecord，5 Hz）解码回归，并经留一飞行交叉验证（能量误差±3.3%，SoC误差σ=6.2%）。受限链路行为经tc/netem在良好、边缘、差三种乡村链路剖面下网络仿真。电池感知重分配、去中心化协议及全部故障、网络损伤与扩展实验以单一可复现联合仿真器软件仿真，参数取自实测值，每配置30个随机种子（36/48 UAV为20个）。
研究结果。（1）失败模式：在六UAV葡萄园任务中，单故障几乎被吸收（覆盖率91.3%→98.9%），恢复缩短总完成时间1.6 min；两或三UAV丢失时，恢复仅在架次内恢复6–8个百分点覆盖率（如三同时丢失72.2%→78.1%），约20条孤立线中约15条须延至后续架次，因六UAV任务已用84%可用续航，存活机能量余量小；恢复信令1.6–3.0 KB，无存活机低于储备降落（最低降落SoC 17.7%–18.5%）。（2）运行点与泛化：评估3600种配置，机群负载因子?（计划架次/可用续航）比几何或工作量分布更能解释结果：?<0.4时全部孤立工作架次内恢复（100%覆盖），0.4≤?<0.8恢复80%–93%，0.8≤?≤1仅恢复约23%且完成时间不变；障碍、交错或不均衡初始工作量及异构机群仅改变数个百分点；葡萄园规划八架（?=0.63）在两UAV丢失时保持99.2%架次内覆盖，83%运行免后续架次，缩短完成约3.5 min。（3）基线比较：在相同信息、检测时序、能量模型与可行性检验下，各策略覆盖率在1个百分点内趋同（六UAV运行点约束为存活机剩余能量而非分配规则）；能量无关变体多飞2–4个百分点但以7%–9% SoC降落并触发0.8–2.2次平台强制返航；全重规划因丢弃飞行中进度覆盖差1–2个百分点且流量高6–9倍（12–18 KB vs 1.6–1.9 KB）；CBBA-lite需多轮投标，计算约2倍、流量增30%–60%而无覆盖提升；去中心化协议匹配集中式覆盖、同流量（三故障1.6 KB）且收敛更快（11.2 s vs 15.9 s），因不等待GS遥测超时；差链路剖面（20%突发丢失）下τ=15 s对GS链路过短，集中式发约9.6次误声明/任务、覆盖降3个百分点、恢复流量近四倍（6.2 KB），去中心化平面保持覆盖（78.4%）与收敛（11.3 s），流量2.4 KB。（4）故障检测超时：GS平面突发丢失下短超时产生大量误声明（边缘链路τ=5 s时18次/无故障任务，τ=15 s时0.23次，τ≥20 s无），恢复时延随τ线性增长（约τ+0.5 s），误声明致重复飞行（τ≤5 s每任务至多130 m）；mesh信标丢失独立且计划感知检测器过滤离群沉默，τm=5 s适于5%丢失，τm=8 s在20%丢失下误检测约3次/任务且均被反驳无重复飞行；故τ=15 s、τm=8 s。（5）能量模型误差鲁棒性：在?10%至+30%系统偏差下无运行低于ρ、无平台强制返航，即便+30%因触发每秒以实测SoC重评估，更快放电缩短可行航线而非消耗储备；代价是覆盖下降（88.0%→71.6%），在线重估计主要在现实优于模型时有意义（?10%：96.6% vs 91.8%）并在+10%时减半恢复流量。（6）λ、μ与ρ敏感性：该运行点下λ与μ对覆盖、降落SoC或完成无 measurable 影响，因可行接收机少时可行性检验而非代价决定分配；ρ是关键参数，降至0.05覆盖升至83.1%但最低降落SoC降至8.6%并致0.9次平台强制返航/任务，升至0.30覆盖降至67.8%降落SoC 32%；ρ=0.15使最低降落SoC（约18%）略高于校准飞行观测降落水平（12%–15%）。（7）GS分区下去中心化vs集中式：GS连接时两平面恢复相同覆盖（78.1 vs 78.4%）同流量（约1.6 KB），去中心化收敛11.2 s vs 集中式15.9 s；45 s GS中断时集中式恢复停滞至链路恢复（45.8 s），永久分区下无法恢复覆盖停留无恢复水平72.2%，去中心化平面均不受影响。（8）Mesh分区、丢失、重排与一致性：葡萄园约300×190 m，范围低于约120 m时机群分裂为移动分区；R≥120 m行为如全mesh（覆盖78.2%–78.4%，收敛13–64 s）；R=80 m检测延迟至故障UAV预测位置进入对等范围（收敛约264 s），并发分区在声明合并前开始同一孤立线，平均重复飞行271 m（约两条线），架次内覆盖降至74.2%；R≤60 m部分故障在降落前从未被存活机观测（每运行2–3次未收敛故障），恢复退化至无恢复水平（72.2%–73.0%）；至40%每包丢失覆盖不变（78.4%）收敛仅从11.2增至12.8 s，归功于摘要修复，误检测自20%丢失出现（2.6次/任务）至40%增至36次均被反驳，至多20 KB额外流量；每跳延迟至4 s（四倍gossip周期，记录常乱序到达）使收敛从11.2增至16.7 s，不影响覆盖或致重复；重播概率p在此机群规模影响小，更大队列改善单故障恢复覆盖（c=2时95.4%，c=4时98.3%，c=6时99.2%）流量代价小；一致性压力测试中连接mesh下无去中心化配置产生重复飞行或未收敛恢复，即便30%丢失与至1.5 s延迟，并发检测幂等合并，级联故障取代运行视图而不撤销已承诺线，级联代价为时延（第二故障晚10 s到达时22 s vs 13 s）而非一致性；重复飞行仅在mesh分区下出现。（9）可扩展性与网络级指标：扩展至12、24、36、48架UAV（跨2、4、6、8个相邻葡萄园样地块，48架时约0.9 km跨度），45%进度时同时丢失25%机群；计算保持毫秒级（最大单次分配集中式48架6.2 ms、去中心化3.3 ms，均约按|R|K增长，计算从不门控恢复）；收敛在集中式平面（约15.5 s，受τ主导）与全mesh（约11 s，受τm主导）与机群规模无关，250 m多跳mesh中位数从12增至15.5 s；流量：集中式每故障约1 KB与机群规模无关，去中心化全机群泛洪故每故障流量随机群增长（6架2.5 KB至48架全mesh 24 KB、250 m mesh 156 KB），多跳mesh中大部分由计划变化对等节点的误检测引起（被反驳且无重复飞行），每节点负载含1 Hz信标保持55–76 B/s，低于集中式1 Hz遥测134–148 B/s且远低于任何UAV电台容量；两平面在各机群规模恢复相同覆盖（90%–98%），去中心化无重复飞行，集中式在突发GS链路上因误声明偶有（平均5–105 m）。（10）感知服务精度：葡萄园行提取在110幅影像（原143幅，预处理排除33幅）评估，平均角度误差3.8°、平均中心线偏差0.42 m、行检测召回91.3%；橙果检测在71幅影像（原94幅，排除23幅）评估，精确率0.89、召回0.84、F1 0.86、平均果实计数误差11.2%，表明轻量、可解释的颜色与几何方法为实用低空监测提供足够准确农业目标检测而无需计算昂贵深度网络。
讨论与结论。讨论部分支持更窄且更有用的论点：低空服务弹性协同最好建立在规模与感知数据无关的协同状态上，其恢复可集中式或完全在机群内运行；survey-line抽象实现此点，六UAV实验中集中式恢复每事件需1–3 KB，可扩展性研究中集中式流量每故障UAV约1 KB而去中心化聚合流量随机群增长。恢复能做与不能做：校准模型表明飞行中重分配收益由机群负载因子?而非重分配规则决定；六UAV葡萄园任务是最小单架次每机勘测机群，?=0.84时存活机可吸收单故障（98.9%覆盖）但仅吸收两或三故障孤立的6–8个百分点工作，其余须延至后续架次且完成时间略长于无架次内恢复；2400配置中?<0.4全部恢复、0.4≤?<0.8恢复80%–93%、?≥0.8约23%；弹性既是算法决策也是机群规模决策，实用建议是当飞行中恢复重要时规划低于?≈0.65（如葡萄园用八架而非六架），并逐事件决定架次内吸收孤立线还是延后（吸收延长存活机架次并延迟后续）。所提机制帮助之处：相同能量约束下所提规则不比轮询或最近贪心恢复更多覆盖，CBBA-lite与全重规划也不更多，约束是能量；其区别在三性质：最小且最可预测的网络足迹（一遍、每重分配线一条消息、比重规划少6–9倍流量、无投标轮次）；共享可行性检验与触发测试防止不安全降落（即便+30%能量模型偏差也无运行低于ρ，能量无关分配以7%–9% SoC降落）；同一计算可无地面站运行（永久GS分区下集中式停留无恢复水平而去中心化如连接时恢复、收敛更快11 s vs 16 s且在六UAV情形不增流量）。有限范围mesh碎片下去中心化恢复：一旦允许UAV mesh自身碎片，两项设计选择被证明关键——相对共享计划检测故障、将每次恢复限定于计划派生队列；无计划感知检测器时仅飞出范围的对等节点被声明丢失，无队列时大机群中任何可达性变化迫使每架UAV重快照；具备两者时协议容忍50%丢包与数个gossip周期延迟无重复飞行；其极限是任何不能等待通信的协议的极限：无线电范围低于约120 m时分区延迟检测故障并偶飞同一线两次（每任务至多约270 m），低于约60 m部分故障降落前从未被观测，全机群泛洪使每故障去中心化流量随机群增长，尽管每节点负载仍小。局限：仿真而非飞行，弹性结果为软件仿真，飞行中未执行UAV故障、电池耗尽、重分配或UAV间通信，原装Mavic 3M无UAV间电台；运动学与能量参数为实测且能量模型经留出飞行验证，但风未测量仅通过模型误差项表示，受控中断与重分配现场试验是必要下一步；单一平台与勘测制度，能量模型特定于Mavic 3M低勘测速度（功率近恒定），更快或更重平台需速度相关模型；抽象无线电，mesh为圆盘模型与独立同分布丢失，地形遮蔽、干扰与相关丢失未建模；仅良性故障，对抗性对等节点超出威胁模型；规划启发式，最长边航向在97%合成田块中与最佳方向差5%以内但对强非凸地块较弱，局部平面坐标仅适小地块；感知载荷，作物分析模块为基于规则、服务器运行、对光照阴影作物品种与背景杂波敏感，边缘部署可行但未证明，影像质量控制于算法评估前人工执行且未记录互斥排除原因，回顾性筛选在单排除标准层面不完全可复现。结论翻译：本文提出一种面向多UAV低空服务的云辅助协同架构，以精确农业实例化，其中任务、遥测驱动监测与恢复基于survey-line而非航点或影像运行。作业工作流（覆盖规划、线级任务生成与云分发、影像采集、地理定位与作物分析）在西班牙以DJI Mavic 3M UAV现场验证。平台勘测运动学与能耗经测量，能量模型经真实飞行日志交叉验证（能量误差±3.3%以内，SoC误差σ=6.2%）。受限链路行为经网络仿真。电池感知重分配、去中心化协议及全部故障、网络损伤与扩展实验以单一可复现联合仿真器软件仿真，参数取自实测值。在这些仿真内支持三项结论：（i）电池感知触发与可行性检验使每次降落高于储备，即便+30%能量模型偏差，而六UAV实验中集中式恢复每事件需1–3 KB；（ii）架次内可恢复工作量由机群负载因子决定：轻载机群完整、按电池极限规模机群（如六UAV葡萄园任务）小；（iii）去中心化协议利用共享线计划进行故障检测、队列选择与确定性分配，无需地面站复现集中式恢复，在并发与级联故障、50%丢失与消息重排下保持一致，扩展至48架UAV计算毫秒级且每节点低于80 B/s，无线电范围低于约120 m的mesh碎片延迟检测并可致有限重复飞行。这些结果表明所提协同设计在建模条件下可行，尚未证明可部署性：需受控中断现场试验、真实UAV间电台重分配与风感知能量模型。所提架构不仅为航空侦察设计，也为自主精确农业作业基础：地理定位与AI分析后生成的目标坐标与农艺观测可转化为专用农业UAV执行精准施肥、局部喷洒或自主收获等定向作业任务，检测目标可推送至田间人员移动应用。未来工作将（i）在受控任务中断与重分配及点对点载荷电台现场试验中验证两恢复平面；（ii）将记录传播限定于恢复队列以约束大机群中去中心化流量；（iii）为对抗环境添加认证记录与拜占庭容错记录存储；（iv）纳入风与地形感知能量模型及基于负载因子的机群规模规则；（v）以学习模型替代基于规则的感知模块并在更大作物特定数据集（含机载执行）上评估。
