摘要
大规模无人机数据采集在覆盖范围、运营效率以及数据传输连续性之间存在着矛盾。数据需要持续传输到基站协调器，但随着传感器和无人机数量的增加，实时重新规划变得越来越困难。传统的车辆路径规划方法在需要频繁重新生成路线时效率会降低，而强化学习则难以应对无法悬停或急转弯的固定翼无人机。我们采用双层框架来解决这一问题。在底层，多旋翼无人机负责访问传感器节点，并缓存收集到的数据，直到被固定翼无人机取走。这些无人机的路线是通过对节点进行聚类，然后在每个簇内解决带容量限制的车辆路径规划问题来确定的，其中成本设定为优先考虑较旧的数据，并对立即再次访问设置一定的冷却时间。在顶层，固定翼无人机在多智能体近端策略优化（MAPPO）策略的引导下，将缓存的数据传递给基站协调器。该策略会获取本地缓冲区概要图以及来自全局概要图的若干高优先级区域信息。通过间距奖励机制，可以促使智能体在彼此靠近之前就保持距离，而不仅仅是事后对碰撞行为进行惩罚。组件级实验表明，底层规划器平均可在1.3秒内处理多达600个活跃的路径规划目标，而且年龄/冷却时间机制有助于提升数据的新鲜度并改善重复访问行为。在包含1000个节点、32架多旋翼无人机和2架固定翼无人机的综合模拟中，所学到的固定翼无人机路径规划策略的采集性能与一种高效的独占贪心算法相当，且在整个数据生成速率范围内均未出现碰撞或因距离过近而终止任务的情况。这些结果证明了所提出的框架作为一种可扩展的协调层设计，适用于动态传感器工作负载场景，在该场景中，自适应的多旋翼无人机路径规划与受运动限制的固定翼无人机数据回收功能可以在共享的数据生成工作负载下协同工作。
