基于能量感知与路径规划算法的城市低空无线能量协同系统中高效充电方法

《Electronics》：Efficient Recharging in Urban Low-Altitude Wireless Energy Coordination Systems Based on Energy-Aware and Path-Planning Algorithms

　　

城市低空无人飞行器（Unmanned Aerial Vehicle，UAV）在长时任务中常需中途补能，移动式自动导引车（Automated Guided Vehicle，AGV）在障碍约束的城市环境中提供了灵活的地面侧无线充电方案。尽管AGV–UAV无线能量协同框架已有研究，但合理匹配不能仅依赖最近距离或最大能量规则，因为飞行能耗、可达安全裕度、充电后任务可行性与低空轨迹可执行性紧密耦合。针对该问题，研究人员提出一种面向高效UAV充电的能量感知AGV匹配方法。对每个候选AGV，在避障与高度约束下生成可行轨迹，定量评估相应飞行能耗、到达能量、接收充电能量及充电后可用能量。引入充电后能量阈值以筛除可达但无法支撑后续任务执行的AGV。此外，采用高度正则化抑制过度垂直机动，提升低空轨迹实用性。所提方法在三个代表性场景与三个随机生成场景中对比四种基线。结果表明该方法提供更可靠且与任务一致的决策，避免低效充电选择，并大幅减少垂直运动。

研究背景方面，近年来由移动机器人构成的无人系统快速发展，其中UAV在智慧城市与城市空中交通（Urban Air Mobility，UAM）中的监测、配送、巡检与应急等低空服务场景渗透加深。电池动力UAV受限于机载能量容量，续航成为基本瓶颈；单纯增大电池受结构、载荷与重量?续航权衡制约，任务阶段补能优于静态扩容。相比固定充电站，AGV作为移动能量提供方可降低UAV绕飞时间与能耗开销，并将充电支持由静态基础设施问题转化为动态目标选择问题。然而该框架关键挑战并非寻找无碰撞路径，而是在有限残能、城市障碍与充电后任务需求约束下决定选谁：近者未必充够续任务，能者远至难达。现有路径规划多面向单终点，且很少显式建模充电后任务连续性；垂直机动也影响低空能耗与可执行性。因此研究人员开展一项将候选路径生成与能量评估联合考虑的研究，提出基于能量感知与路径规划算法的AGV匹配方法，在《Electronics》发表。

关键技术方法上，研究人员在1000×1000水平地图内用长方体与圆柱体抽象城市障碍，设许用高度区间与相邻航点高度差限制，以分段代价含几何/能耗项、垂直惩罚项与偏好高度偏离项作高度正则化（altitude regularization）。路径生成采用多元高斯分布（Multivariate Gaussian Distribution，MGD）前向扩展：无阻则沿目标方向步进，受阻则在垂直行进方向的平面内按递增半径同心圆采样候选点，用方向感知增量代价选点；原始航点序列经动态规划（Dynamic Programming）重连去除绕路，可选B样条插值保曲率连续。能量模型按水平/爬升/下降分段能耗系数求和得飞行能耗E_fly,i，到AGV i时残能E_arr,i=E_cur?E_fly,i，实收能量E_chg,i=η·min(E_avail,i,E_cap?E_arr,i)，充电后能量E_post,i=E_arr,i+E_chg,i；筛除E_arr,i< />_safety或E_post,i< />_thr者，对保留者用效用U_i=(w₁E_chg,i+w₂E_post,i?w₃E_fly,i)/(E_bat+ε)选最大。场景含三代表性（A宽松、B路径?充电冲突、C启E_thr=1000）与三随机（15长方体+5圆柱，固定种子），每场景8候选AGV，30次独立运行，对比FullMethod、NearestAGV、MaxEnergyAGV、NoEpostConstraint、NoHeightPenalty。

研究结果部分，第2节问题建模给出环境ROM、障碍区O、自由空间F、航点序列P_i={q₀,…,q_K}与式(1)(2)高度约束、式(3)(4)含λ_zΔz²与λ_h(z_k?z^*)²的规划代价；式(5)–(11)定义E_fly、E_arr、E_chg、E_post及双能量可行性条件；式(12)效用函数。第3节方法含MGD候选路径生成（算法2直接扩展与同心圆采样、式(13)(14)）、动态规划重连（算法3、式(15)）、B样条平滑与统一段可行性检查；能量感知决策（算法1）逐AGV生成?精化?插值?能耗计算?双阈值筛?效用选优。第4节实验设MATLAB R2024b、i7?14700KF、64 GB，参数表列步长d=20 m、r₀=15 m、Δr=10 m、每圈35点、E_safety=0.1E_bat、α=β=1、γ=0.3。第5节结果分三块：5.1代表场景中A选AGV?2（同MaxEnergy但优於Nearest的AGV?1，E_post 1266.85>1149.15），B中MaxEnergy选AGV?2因E_arr=?74.78被剔、FullMethod选AGV?4（U=0.09912>Nearest的0.07608），C中E_thr=1000剔AGV?1（E_post=999.15）FullMethod选AGV?4（E_post=1046.58）；高度正则化使MaxAbsDz从NoHeightPenalty的423.23/220.75/161.96降至136.60/126.90/132.65。5.2随机场景FullMethod分选AGV?4/7/3，平均E_post较Nearest高约、较MaxEnergy高约，NoHeightPenalty虽E_post最大但MaxAbsDz=366.00远高于FullMethod的92.08。5.3计算性能FullMethod六场景均时约0.15 s级、每候选归一约0.019 s，顺序评估随AGV数近线性增、动态规划重连对航点数二次依赖。5.4总体讨论确认单因子规则不足、E_thr必要、高度正则化以适度效用折换垂直可执行性。

讨论与结论翻译：研究人员指出当前局限为AGV位能固定、能量模型为未标定线性代理、障碍仅长方体/圆柱、未与A或RRT比对、效用权固定、仅单UAV请求；未来扩至动态滚动时域、高保真能量标定、标准规划基准、多UAV多AGV分配与强化学习协调。结论部分译述：本研究提出路径耦合的能量感知AGV选择框架，在单一决策中集成候选三维路径生成、统一段可行性检查、到达能量筛选、充电后任务能量筛选、高度感知评估与效用选择；八候选AGV下三代表+三随机场景均得可行决策。三结论为：(1)城市UAV补能AGV选择不可归约至最近或最大能量单因子规则；(2)充电后任务能量阈值是确保可达且续任务必要的；(3)高度感知正则化在约束低空环境大幅抑垂直机动、获更平滑可执行路径而不牺牲安全。该框架比启发式基线提供更可靠且任务相关的解。

综上，论文以《Electronics》为载，针对城市低空AGV–UAV无线能量协同中的匹配耦合难题，用MGD+动态规划+B样条生成正则化三维避障路径，以分段能耗模型算E_fly/E_arr/E_chg/E_post，设E_safety与E_thr双筛加效用选优，证得单因子规则在路径?充电冲突与严阈下失效，高度正则化降垂直跳变约3–4倍，为后续多智能体能量感知任务分配提供可复用候选级模块。