面向复杂灾害环境的改进旋转势场多无人机协同遥感覆盖方法

《Applied Sciences》：Improved Rotational Potential Field-Based Cooperative Remote Sensing Coverage Method with Multi-UAVs in Complex Disaster Environments

　　

摘要译文：在复杂环境中，快速获取受灾区域的空间信息对应急决策和灾害评估至关重要。无人机（UAV）凭借快速部署和灵活观测能力，已成为灾害信息获取的重要工具。然而，在复杂障碍环境下，多无人机遥感信息获取仍面临覆盖效率不足、避障能力有限和协同性较弱等挑战。本文提出一种基于改进旋转势场（IRPF）的多无人机协同遥感覆盖方法。首先构建灾害区域模型，然后通过引入分离力和旋转引导机制增强人工势场，以提升复杂环境下的避障与信息获取能力，同时融合覆盖反馈实现动态观测区域分配。实验结果表明，所提方法在20次独立实验中实现了100.0%的多运行成功率，在代表性场景中最终覆盖率达到93.3%。无人机系统在第106步达到预设的85%覆盖率阈值，并在整个过程中保持零碰撞。该方法为模拟复杂环境下的多无人机协同覆盖规划提供了一种有效途径，为模拟灾害环境中的协同覆盖规划提供了潜在方法。

论文解读文章：

**1. 研究背景与问题**

近年来，地震、洪水、野火和极端天气等突发灾害频发。受灾区域通常具有空间范围大、环境复杂、信息获取困难等特点。在应急响应阶段，快速获取灾区的空间信息对于灾害评估、应急决策和资源调配具有重要意义。传统人工巡检方式受制于现场危险性和作业效率，难以满足大规模、快速信息获取的需求。无人机（UAV）技术凭借非接触式观测和快速信息获取的优势，已成为灾害监测与应急管理的重要技术手段。

然而，单架无人机受限于续航时间、传感范围和任务能力，难以在灾害区域实现快速大规模信息获取。多无人机系统通过有效的路径规划和任务分配，能够实现灾害区域的快速遥感覆盖，从而提高任务执行效率。但在复杂灾害环境中，多无人机遥感任务仍面临若干挑战：灾区通常包含倒塌结构、地形变化和未知障碍等复杂空间约束，无人机需要在持续覆盖的同时保证飞行安全；多无人机协同作业可能出现冗余观测、空间冲突和任务分配效率低下等问题。因此，在有限的时间和能量约束下，实现安全高效的受灾区域覆盖仍是无人机灾害遥感领域的难题。

现有方法中，基于优化的方法（如遗传算法、粒子群优化）具备较强的全局搜索能力，但迭代计算限制了其灾后实时应用；基于强化学习的方法在动态环境中表现良好，但受训练成本、奖励设计和泛化能力影响；多数现有方法聚焦于无人机轨迹优化，对覆盖状态和动态信息需求在灾害遥感任务中的影响关注不足。相比学习方法，基于规则和模型驱动的方法具有计算效率高、结构简单、易于实现等优势。人工势场（APF）方法因其实时性强已被广泛应用于无人机运动规划，但APF易陷入局部极小值，在复杂环境中可能出现路径振荡或避障不足，且缺乏多无人机协调与自适应覆盖调整机制。

**2. 研究内容与结论**

针对上述问题，研究人员提出了一种适用于复杂灾害环境的多无人机协同遥感覆盖规划方法。该方法将无人机路径规划构建为覆盖驱动的协同优化问题，首先建立三维覆盖模型来描述灾区观测状态，将覆盖信息融入无人机决策，实现从常规运动规划向区域信息获取的转变；基于APF框架，通过引入无人机间分离约束和面向目标的旋转引导机制，建立了改进旋转势场（IRPF）模型；此外，设计了基于覆盖反馈的动态目标分配策略，根据实时覆盖状态调整无人机任务区域，提升多无人机协同覆盖效率。

实验结果表明，在标准灾害场景中，该方法实现了100%的任务完成率、93.3%的最终遥感覆盖率以及零碰撞事件。在20次独立实验中，多运行成功率达到100%。相比传统APF和旋转势场（RPF）方法，IRPF在覆盖率、飞行安全和路径优化方面均有显著提升。消融实验验证了旋转引导、无人机分离和动态目标分配三个核心组件对整体性能的贡献。

**3. 主要关键技术方法**

为开展研究，研究人员采用了以下关键技术方法：(1) 三维遥感观测空间建模，将灾区划分为规则三维感知网格，并通过覆盖状态更新实现动态环境感知；(2) 改进旋转势场（IRPF）路径规划，在传统APF基础上引入目标方向约束的旋转引导力、障碍斥力和无人机间分离力，以生成安全运动策略；(3) 覆盖反馈驱动的动态目标分配机制，根据未覆盖区域的实时分布周期性更新各无人机的局部目标，并采用冲突消解策略避免冗余任务分配。(4) 仿真实验验证，在包含不同障碍密度和无人机数量的模拟灾害环境中进行测试，评估任务完成率、覆盖率、碰撞次数等指标。所有实验均在仿真环境中开展，未涉及真实样本队列。

**4. 实验结果**

**4.1 标准灾害场景综合性能分析**
在标准三维灾害场景中，多无人机从初始边界位置逐渐向搜索空间内部移动，轨迹覆盖范围持续扩大。在中心障碍区域附近，无人机执行绕行运动，但未出现轨迹纠缠、局部聚集或碰撞。系统在第106步达到85%覆盖率阈值，最终覆盖率提升至93.3%。灾害区域被划分为343个空间遥感观测单元，其中320个单元完成有效信息获取，全程无碰撞发生。

**4.2 遥感覆盖过程与观测质量分析**
任务初期大量遥感观测单元未被覆盖，多无人机主要探索未知区域，新增覆盖面积快速增加。随着覆盖范围扩大，未覆盖区域逐渐减少，部分无人机开始对已观测区域进行补充观测，导致新增覆盖面积逐渐下降、重复覆盖增加。碰撞统计显示全程零碰撞。空间观测频率分布表明，高频观测区域主要出现在障碍物附近和轨迹交叉区域，这些区域因空间约束需要更多方向调整，从而产生重复观测。

**4.3 不同灾害环境复杂度下的覆盖分析**
通过设置15、20、25、30和35个障碍物模拟不同复杂度环境。所有场景均保持零碰撞安全运行。覆盖性能与障碍物数量并非简单线性关系：20和25个障碍场景分别实现85.4%和88.9%的覆盖率，任务完成指标均为1。中等复杂度环境可能通过增加轨迹多样性促进更均衡的覆盖，而过高障碍密度则会限制可观测空间，减缓新区域扩展速度。

**4.4 不同无人机规模下的协同覆盖性能**
将无人机数量分别设为3、5、7、9和11架。3架无人机时最终覆盖率仅66.2%，低于85%阈值，任务未成功。随着无人机数量增加，最终覆盖率逐步提高，到达目标覆盖率所需时间缩短。但覆盖率提升存在饱和效应：7架和9架无人机的最终覆盖率分别为94.8%和94.5%，差异不大。这表明应结合搜索区域大小、环境复杂度和覆盖需求确定最优无人机规模，而非简单增加数量。

**4.5 不同路径规划方法性能对比**
在包含40个随机分布障碍物的复杂环境中，对比APF、RPF和IRPF三种方法。IRPF获得最高覆盖率97.376%，分别比APF和RPF提高12.536%和3.498%；IRPF在110个时间步内完成任务，平均路径长度最短（14.746）。碰撞统计显示IRPF和RPF全程零碰撞，而APF发生一次碰撞。这表明IRPF通过目标方向约束在避障过程中提供更有效引导，减少了不必要的绕行，在覆盖效率、飞行安全和路径优化间实现了更好平衡。

**4.6 多次独立运行统计评估**
在20次独立实验中，随机生成无人机初始位置和障碍物分布。IRPF方法的平均覆盖率达到96.95%，标准差2.34%；平均路径长度标准差0.13；平均完成时间为107.85步；所有运行均零碰撞。这验证了该方法在不同随机条件下的稳定性和鲁棒性。

**4.7 消融实验**
分别移除旋转引导、无人机间分离和动态目标分配三个模块。完整IRPF获得93.59%覆盖率且零碰撞。移除旋转引导后覆盖率下降11.37%，平均路径长度从13.69增至14.85，说明旋转引导提升了环境适应性和局部极小值逃离能力。移除分离机制后碰撞次数从0增至22，说明分离机制对维持多无人机安全协同至关重要。移除动态目标分配后覆盖率骤降至40.23%，表明该机制有效降低冗余探索并提高任务分配效率。

**5. 讨论与结论**

讨论部分指出，提出的IRPF方法通过引入目标导向旋转引导、无人机间分离约束和覆盖反馈动态目标分配，有效改善了传统势场方法在复杂灾害环境中的避障性能、轨迹连续性和多无人机协同效率。仿真实验验证了该方法在不同障碍密度、不同无人机规模以及多次独立运行下的适应性和鲁棒性。与APF和RPF的对比结果表明，IRPF在覆盖率、飞行安全和路径优化方面均表现更优。同时，研究也存在局限性：当前验证主要基于模拟三维环境，尚未使用真实地理数据和物理无人机平台；主要考虑静态障碍物，对动态危害和不确定灾害条件尚未完全解决；方法假设可靠的环境信息和无人机状态估计，未考虑传感误差、通信约束和硬件限制等因素。

研究结论为：本研究提出了一种面向复杂环境下快速灾害信息获取的多无人机协同遥感覆盖方法。该框架结合了三维灾害区域覆盖建模、基于改进旋转势场（IRPF）的路径规划策略以及覆盖反馈驱动的动态目标分配机制。IRPF模型引入了目标导向旋转引导和无人机间分离约束，以改善避障能力和轨迹连续性；覆盖反馈机制根据未覆盖区域分布动态调整观测目标，使多无人机能够更有效地协同工作。标准灾害场景中，该方法实现了100%的任务完成率、93.3%的最终遥感覆盖率和零碰撞事件；20次独立实验的多运行成功率为100%。不同障碍密度和无人机规模下的实验进一步证明了该方法的适应性，与APF和RPF的对比显示了其在覆盖效率、飞行安全和路径优化方面的优越性。尽管存在模拟环境限制，该方法仍能为复杂环境下的多无人机灾害遥感任务提供有效支持。未来工作将集中在物理无人机平台验证、更动态和不确定环境中的评估，以及与先进传感和决策机制的集成。