摘要
传统的面向目标的任务分配和路径规划方法，往往难以在气象扰动下的复杂城市环境中，平衡对动态任务变更的实时响应与多无人机协同作业。为解决这些挑战，本文提出了一种专为城市巡检任务设计的低空无人机（UAV）动态路径规划方法。该方法整合了改进的离散粒子群优化（DPSO）算法与解耦的软演员 - 评论家（SAC）及 B 样条平滑框架，在三维气象 - 障碍物联合可行域内优化上层任务分配和下层轨迹规划。对于任务调度，一种嵌入空间拓扑引导机制的改进 DPSO 算法动态协调受泊松过程支配的任务流，有效解决了传统离散优化中典型的空间盲目性和路线分配碎片化问题。与此同时，局部轨迹重规划通过 SAC 深度强化学习执行滚动时域空间探索，随后通过 B 样条细化严格约束无人机运动学限制，系统地连接连续空间探索与底层飞行合规性，克服了纯学习模型中常见的运动学不可行性问题。通过广泛的蒙特卡洛对比仿真（N = 50）验证，并进一步通过高保真 AirSim 动态物理引擎验证，结果表明：（1）即使在 50 个并发动态任务下，改进的 DPSO 也将高优先级紧急任务的平均响应延迟限制在 40 秒以内。（2）在数值测试中，下层重规划的平均执行时间为 3.60 ± 0.18 秒，路径成功率为 95.8 ± 1.2%，同时在真实的刚体惯性和空气动力阻力下保持 96.2% 的运动学可行性率。尽管当前的 3.60 秒延迟对毫秒级动态应急响应构成了潜在瓶颈，但所开发的框架提供了一种高效且安全的闭环动态调度解决方案，为低空城市巡检奠定了严谨的计算基础。
