《Drones》：A Rapid Trajectory Planning Method for Heterogeneous Swarms via Fusion of Visual Navigation and Explainable Decision Trees
Yang Gao,
Hao Yin,
Wenliang Wang,
Bing Guo,
Yue Wang,
Guopeng Li,
Lingyun Tian and
Dongguang Li
编辑推荐：
为解决复杂海面环境下异构UAV-USV集群协同轨迹规划难题，本研究提出了一种融合视觉导航与可解释决策树（AIDT）的快速协同跨域路径规划（CCPP）框架。该研究通过视觉-规划接口建模不确定性，结合路径-速度协同优化与Gini系数一致性指标，显著提升了异构集群的同步到达率与实时安全性，为GNSS拒止环境下的协同搜索提供了可解释的解决方案。
在广阔且充满未知的海洋环境中，搜寻并回收水下目标是一项极具挑战的任务。传统的单一类型或简单堆叠的同构无人系统往往“力不从心”，难以应对复杂的海况和任务需求。于是，研究者们将目光投向了异构无人集群——让无人机（UAV）和无人船（USV）组队，发挥各自优势。无人机“站得高、看得远”，负责大范围搜索；无人船则能“抵近确认”，进行细节核实。然而，这种“空海协同”的理想很丰满，现实却很骨感：UAV和USV的运动能力（如速度、转弯半径）天差地别，海面上还有风浪、洋流和移动障碍物，再加上卫星信号（GNSS）可能时好时坏，如何让这群“性格迥异”的机器人在没有统一指挥的情况下，既能避开危险，又能几乎同时到达目标区域，成为了制约其实际应用的关键瓶颈。
针对这一难题，Gao Yang等人发表在《Drones》上的研究，提出了一套名为CCPP（协同跨域路径规划） 的“组合拳”方案。这套方案的核心在于“视觉感知辅助决策”与“路径速度协同优化”的深度融合，旨在让异构集群在复杂环境下也能实现快速、安全且精准的协同作业。
关键技术方法
研究构建了CCPP框架，核心包含三个技术模块：1) 视觉-规划接口：将视觉SLAM估计的位姿不确定性及语义动态障碍物，在线转化为带安全裕度的约束条件与时变风险场，解决了GNSS拒止环境下的感知建模问题；2) 混合优化器：在显式时空约束下，联合生成曲率可行的几何路径与沿路径速度剖面，实现了路径长度与速度曲线的协同求解；3) 自适应决策树（AIDT）：作为可解释的元策略模块，根据集群状态（如Gini一致性指数）在线触发重规划与模式切换，替代了黑盒决策模型。
研究结果
4.1 CCPP框架概览与架构
CCPP框架并非单一的路径搜索算法，而是一个集成了感知、规划与决策的闭环系统。它首先通过视觉导航系统“看懂”环境，将不确定的感知信息转化为机器能理解的“风险地图”和“安全边界”；然后，规划器同时调整路径形状和行进速度，确保无人机和无人船既能避开障碍，又能“约好”到达时间；最后，一个像流程图一样清晰的自适应可解释决策树（AIDT） 作为“大脑”，根据当前局势（比如谁快谁慢、风险高低）实时决定是否要重新规划路线。这种设计使得整个系统在动态变化的海面上具备了极强的适应能力。
4.2 视觉-规划融合接口与风险建模
在卫星信号不佳的海域，视觉导航是“眼睛”，但它的观测存在误差。本研究的一大亮点是如何让规划器“听懂”视觉系统的“方言”。研究人员设计了一套转换机制：将视觉估计的位姿不确定性（协方差矩阵）直接量化为安全膨胀半径。简单来说，就是“看得越不准，安全距离留得越大”。同时，语义感知识别出的动态船只等障碍物，被建模为时变风险场，而非固定的障碍物块。这意味着机器人能预判移动障碍物的轨迹，从而提前规避，实现了从“被动避障”到“主动风险规避”的升级。
4.3 路径-速度协同优化与同步到达
针对异构平台“快慢不一”导致的到达时间分散问题，传统方法要么只改路径（可能绕远），要么只调速度（可能超速或太慢）。CCPP框架采用了混合优化策略，将路径几何与速度曲线“捆绑”求解。更巧妙的是，研究者借鉴了经济学中衡量贫富差距的基尼系数（Gini coefficient） 来评估到达时间的公平性。通过最小化这个“时间基尼系数”，迫使集群的到达时间分布更加集中，有效解决了“一部分等另一部分”的协同难题，确保了任务执行的时效性。
4.4 基于AIDT的在线重规划与闭环协同
在真实任务中，死守初始计划往往是危险的。本研究没有使用难以理解的“黑盒”神经网络做决策，而是采用了自适应可解释决策树（AIDT）。这棵树就像一系列透明的“如果-那么”规则：如果某艘USV的预计到达时间晚于阈值，且当前风险较低，那么就触发为其重新规划一条更快的路径。这种规则驱动的方式不仅计算高效，而且每一步决策逻辑都清晰可查，非常适合对安全性要求极高的海上作业，实现了可解释的闭环协同控制。
结论与意义
这项研究为异构无人集群在GNSS受限和动态不确定海域的协同作业提供了一套实时、可解释且鲁棒的解决方案。通过将视觉感知的不确定性显式建模为安全约束，CCPP框架显著提升了复杂环境下的避障可靠性；而路径-速度的协同优化机制，特别是引入Gini系数作为同步指标，从数学层面优化了协同效率，解决了异构平台运动差异带来的协调难题。最重要的是，AIDT决策树的引入，使得机器人的重规划行为不再是“玄学”，而是可追溯、可信任的逻辑判断。这不仅为UAV-USV集群在搜救、侦察等任务中的实际部署奠定了技术基础，也为多智能体协同规划领域提供了“感知-决策-执行”深度融合的新范式。
