《Drones》：Mission-Driven UAV Path Selection: Post Hoc Cost Evaluation of Deterministic and Sampling Approaches
James R. Kelly and
Umair B. Chaudhry
编辑推荐：
无人驾驶飞行器（UAVs）越来越多地部署在危险和动态环境中，路径规划需要平衡超越简单距离最小化的竞争目标。经典规划器如Dijkstra、A*和RRT*能高效生成路径，但常常忽略涉及能源使用、风险规避和奖励最大化的任务特定权衡。本研究提出了一个统一的评估框架，将
无人驾驶飞行器（UAVs）越来越多地部署在危险和动态环境中，路径规划需要平衡超越简单距离最小化的竞争目标。经典规划器如Dijkstra、A*和RRT*能高效生成路径，但常常忽略涉及能源使用、风险规避和奖励最大化的任务特定权衡。本研究提出了一个统一的评估框架，将基于网格的（Dijkstra、A*、加权A*）和基于采样的（RRT、CARRT*）规划器集成在参数化环境中，嵌入一系列函数到惩罚和奖励区域。全局成本函数J = αL + βE + γP - δR被后验应用，以将路径生成与任务优先级分离，从而能够在低燃料、高安全性或速度优先等变化目标下快速重新评估。在Apple M2 CPU上进行的实验，每个配置重复三次以确保统计稳健性，表明CARRT*在燃料和时间敏感任务中实现了最低任务成本和最高效率，而在四个环境中，确定性基于网格的规划器在安全和奖励导向的背景下表现更好。这些发现表明，最优无人机路径规划不仅取决于算法效率，还取决于将规划器选择与任务优先级对齐。该框架为研究和操作环境中基准测试和部署任务感知路径规划策略提供了可重复的方法论。
**论文解读：任务驱动无人机路径选择的后验成本评估框架**
**研究背景与问题**
无人驾驶飞行器（Unmanned Aerial Vehicles, UAVs）在危险和动态环境中的应用日益广泛，如灾后测绘、基础设施巡检、物流配送等。路径规划是UAV自主导航的核心任务，但实际任务往往需要同时权衡多个竞争目标，包括飞行距离、能源消耗、风险规避和奖励获取。经典的路径规划算法（如Dijkstra、A*、RRT*）通常以最小化距离或时间为单一目标，忽略了这些任务特定的权衡。现有研究存在以下问题：（1）评估时通常将成本模型绑定到规划器内部，导致目标固定、灵活性差，难以应对快速变化的优先级；（2）多数研究仅关注距离和时间，未充分考虑能源成本、惩罚/奖励区域；（3）规划器内部、环境与权重耦合，无法在飞行中快速调整优先级；（4）缺乏对任务权重如何影响总成本的系统性敏感性分析。因此，需要一种可重复的方法，在相同路径下比较不同规划器，并允许后验地改变任务优先级。
**研究内容与结论**
研究人员设计了一套参数化环境（开放、密集城市、混合地形、多目标四种），将对数、指数、高斯、二次、阶跃等函数嵌入惩罚/奖励区域，模拟真实场景中的成本景观。对RRT*进行了改进，提出成本感知RRT*（Cost-Aware RRT*, CARRT*），使其在扩展过程中考虑区域特定移动成本。引入了一个全局成本函数J = αL + βE + γP ? δR（L为路径长度，E为能量代理，P为累积惩罚，R为累积奖励，α、β、γ、δ为任务权重），后验地应用于已生成的路径，从而解耦路径生成与任务优先级。在Apple M2 CPU上，对五种规划器（Dijkstra、A*、加权A*、RRT、CARRT*）在四种环境中进行了全参数扫描（256种权重组合，每种重复3次，共15360次运行），并进行了敏感性分析和五种任务场景（低燃料、高安全、速度优先、奖励导向、平衡）的比较。结果表明：CARRT*在低燃料和速度优先任务中实现了最低任务成本和最高路径效率；确定性基于网格的规划器（Dijkstra、A*、加权A*）在高安全任务中表现最佳，且在所有任务中计算时间极短（<4 ms）；Dijkstra在奖励导向任务中意外地取得了最高平均奖励；基本RRT由于高方差和低路径效率，整体不适合通用任务。敏感性分析显示，距离和能源权重对总成本影响最大，而安全/奖励权重仅在强惩罚/奖励区域存在时显著。该研究发表在《Drones》期刊上，其重要意义在于提供了一个可重复的基准测试框架，使研究人员和操作者能够根据任务优先级选择最合适的规划器，而无需修改规划器内部代码。
**主要关键技术方法**
研究人员使用了四种参数化环境（开放、密集城市、混合地形、多目标），通过对数、指数、高斯、二次、阶跃函数定义惩罚/奖励区域的局部成本。构建了五种规划器：Dijkstra、A*（启发式权重1）、加权A*（启发式权重1.5）、RRT和CARRT*（成本感知RRT*）。CARRT*在扩展和重连线步骤中，将欧几里得距离乘以位置特定移动成本，以感知惩罚/奖励区域。所有路径生成后，应用全局成本函数J = αL + βE + γP ? δR进行后验评估，其中能量代理E基于每步航向变化计算（step_energy = base_energy × [1 + 0.3|θ|/π]）。在全参数扫描中，α、β、γ、δ的取值范围分别为{0.5, 1.0, 1.5, 2.0}、{0.5, 1.0, 1.5, 2.0}、{0.5, 1.0, 2.0, 3.0}、{0.5, 1.0, 1.5, 2.0}，共256种组合，每种配置重复三次以确保统计稳健性。所有实验在Apple M2 CPU上执行，使用缓存避免环境重建。
**研究结果**
**最优参数组合**
通过筛选最低总成本的参数组合，发现前五名组合中路径长度权重α和能源权重β均保持最低值（0.5），而安全惩罚权重γ和奖励权重δ变化（γ=0.5或1.0，δ=1.5或2.0）。这表明γ和δ是调节任务成本最敏感的权重，而α和β变化对总成本影响更大，因为路径长度和能源始终影响成本，而惩罚/奖励区域仅在路径经过时起作用。
**参数敏感性分析**
单因素敏感性分析显示，增加α和β导致总成本分别上升+82%和+74%，呈近似线性；γ呈凸曲线，小增量的影响可控，但大值导致成本急剧上升；δ稳步降低总成本（-9%），但效应较小。热图分析进一步表明，α–β组合使成本平滑增加，而γ–δ组合在高γ低δ时成本快速爬升，说明安全惩罚和奖励权重之间的权衡对评估结果影响显著。
**算法相关性分析**
相关性热图显示，确定性规划器（Dijkstra、A*、加权A*）与α和β呈强正相关（r≈0.56–0.74），表明这些算法倾向于选择最短路径，对距离和能源权重敏感；而采样规划器（RRT、CARRT*）的响应更复杂。CARRT*对所有成本项均有响应，且与γ和δ的相关性较其他规划器更强，体现其成本感知能力。RRT因“首次有效路径”策略，与α和β的相关性较弱。γ参数对确定性规划器几乎无影响，因为这些算法已通过默认行为避免惩罚区域；而RRT与γ呈中等正相关，说明其进入惩罚区域后成本随权重增加。
**算法性能对比**
在所有算法中，CARRT*实现了最低平均总成本（约比次优算法低10个单位）和最高路径效率，但其平均节点探索数（1776）和运行时（0.63 s）远高于确定性规划器（<4 ms）。加权A*（h=1.5）节点探索数最少（约0.00032 s），但略牺牲了成本最优性。Pareto前沿分析确认了低时间前沿（Dijkstra和A*）与低成本前沿（CARRT*）的存在，加权A*和RRT始终被支配，表明其额外计算时间未转化为成本优势。
**RRT效率与调优**
RRT的高方差源于其早期连接特性，常产生锯齿状路径，导致能量惩罚增加。通过调整步长（约0.5–2个单元格宽度）和适度目标偏置（0.05–0.2）可改善性能，但无法克服其结构局限性。在能源和风险项重要的任务中，RRT始终被CARRT*等重优化方法超越。
**任务场景分析**
针对五种任务场景的后验分析表明：
- **低燃料路线**（高β，低α）：CARRT*取得最低平均能源成本（14.542）和最佳单次能源成本（9.791）。
- **高安全路线**（高γ）：所有确定性规划器均达到完美安全得分（1.000），但CARRT*的总成本最低（50.34），说明其能以更短路径避开危险区域。
- **速度优先**（高α，低β、γ）：CARRT*再次领先，平均路径长度28.623，总成本最低；加权A*紧随其后。
- **奖励导向**（高δ）：Dijkstra获得最高平均奖励（3.897），略优于A*（3.885），CARRT*因路径平滑性偏好而表现不佳。
- **平衡任务**（所有权重=1.0）：CARRT*成本最低（50.34），RRT成本最高且方差极大（159.18）。
总体而言，CARRT*在低燃料和速度优先任务中表现优异，确定性规划器在高安全任务中表现一致，Dijkstra在奖励导向任务中意外强势，RRT因高方差不适合通用任务。
**后验方法评估**
后验成本评估框架通过将路径生成与成本评估解耦，实现了极高的任务优先级适应性（权重可即时更改，无需修改规划器代码）。在静态环境中，这允许快速重新评估同一组候选路径。对于动态环境，可通过持续重新评分现有路径并在成本变化时触发重新规划来扩展。该框架保留硬性约束（如禁飞区）作为规划器内的可行性约束，将可调偏好（距离、能源、软风险/奖励）留给全局成本函数，从而避免碰撞这一最坏情况。
**结论**
该研究结果表明，确定性规划器在结构化或低复杂度环境中提供一致性能，而CARRT*变体在全部环境（包括复杂惩罚/奖励区域）中实现了最佳总任务成本和路径效率。结合距离、能源、惩罚和奖励的全局成本框架有效比较了不同任务优先级下的规划器。敏感性和最低成本分析阐明了权重选择如何驱动结果，为未来参数设定提供了原则性基础。后验成本评估虽然不修改路径本身，但对于任务特定分析、公平算法比较和快速实验至关重要。通过将单一成本函数应用于预计算路径，可以在优先级变化时重新评估固定规划器输出，这反映了实际部署中规划器固定但任务要求变化的情景。总体而言，研究指出了明确趋势：CARRT*在低燃料和速度优先任务中表现最佳；A*和Dijkstra在高安全背景下表现强劲；当奖励占主导时Dijkstra具有竞争力；基本RRT因高方差和低路径效率普遍不适用。将算法选择和成本权重与任务优先级对齐对于实现最优无人机路径规划性能至关重要，而后验分析为此对齐提供了一条高效路径。该工作展示了可重复的UAV路径规划评估框架，使未来的研究人员和从业者能够将算法选择与任务特定目标对齐。
