城市环境下多无人机协同的任务分配与路径规划

《ADVANCED ENGINEERING INFORMATICS》：Task allocation and path planning for multi-UAV cooperation in urban environments

　　

• •
  提出了一种用于多无人机任务分配与路径规划的两层框架。
• •
  构建了面向复杂城市空域的感知风场飞行成本模型。
• •
  我们提出了LB-CNP算法，提升了任务分配质量、均衡性与收敛性。
• •
  我们提出了DFRRT*算法，提高了无人机路径搜索效率与规划质量。

引言

近年来，低空经济与人工智能技术的发展揭示了无人机在城市物流与配送[1]、目标打击[2]、应急救援[3]等领域的应用潜力，这得益于其高机动性、低成本和易部署等特点。面对日益复杂的城市应用需求，许多研究者提出了多无人机协同的概念[4]，旨在通过并行操作提高任务执行效率。多无人机协同模式还通过信息共享和功能互补增强了城市环境中的系统鲁棒性和容错能力。因此，在障碍物密集的城市环境中，多无人机系统的高效任务调度与路径规划已成为无人机领域的关键问题。

现有研究主要集中在多无人机系统的任务分配与路径规划之间的协同。一些研究采用分层规划框架进行多无人机协同优化[5]、[6]，将任务决策与路径生成分离，以降低复杂协同任务的求解计算复杂度。文献[7]、[8]研究了多无人机系统的协同任务规划，进一步验证了分层框架在该领域的有效性。上述方法将原始高维耦合问题分解为两个子问题：任务分配与路径规划。这种分解进一步增强了模型的可解性和工程可行性。然而，大多数现有方法仅实现了任务分配与路径规划之间的弱耦合，只关注二者的执行顺序，并未形成具有统一成本建模、动态重构和执行反馈机制的紧密闭环架构。因此，难以同时保证全局分配质量和局部路径可行性。

多无人机任务规划是一个在复杂城市环境中具有高维、多约束和紧耦合特征的**非线性优化问题**[9]、[10]。关键挑战不仅在于为无人机生成满足动态约束的安全平滑飞行路径[11]、[12]，还在于在任务分配过程中预测下层路径执行成本，以形成符合实际空间结构的任务序列。只有通过建立任务决策与路径生成之间的统一优化连接，才能平衡任务收益、载荷分布、飞行能耗和环境适应性，从而进一步提升多无人机系统在复杂城市环境中的整体协同性能。

然而，现有研究在应用于复杂城市环境中的多无人机任务规划时仍面临若干挑战。

• •
  从架构角度来看，现有方法未能充分解决任务分配与路径规划阶段之间的耦合问题。
• •
  从建模角度来看，城市区域内的任务规划建模缺乏对环境因素的综合考虑。
• •
  从方法论角度来看，关于如何在满足飞行成本和负载均衡等目标的同时提高任务分配与路径规划的质量和效率，仍需进一步研究。

基于上述分析，本文提出了一种面向有风场干扰的复杂城市环境的多无人机任务分配与路径优化**（MUTPO）**的两层协同规划方法。该方法将上层任务序列优化与下层可执行路径生成紧密耦合，进一步提升了多无人机系统的整体协同规划性能。

贡献：本文的主要贡献如下：

• •
  我们开发了一种用于复杂城市环境中多无人机任务分配与协同路径规划的两层框架。该框架实现了上层任务序列与下层可执行飞行路径的协同优化。
• •
  我们建立了考虑三维城市风场干扰的飞行成本模型。环境影响被整合到任务决策和路径搜索过程中。
• •
  我们提出了基于LB-CNP的任务分配算法，该算法融入了局部拓扑重构和动态优化机制。该算法利用2-opt局部重构和迭代交换策略来提升任务分配质量、负载均衡和收敛性能，从而生成更合理的任务执行序列。
• •
  我们提出了DFRRT*路径规划算法，该算法结合了动态高斯采样和势场引导。它能够在复杂三维环境中实现高效路径搜索和连续优化。该算法通过提高路径节点的采样效率，生成既低成本又安全的飞行路径。

本文其余部分组织如下：第2节介绍相关工作；第3节介绍系统和问题陈述；第4节"任务分配算法"和第5节"DFRRT*路径规划算法"分别介绍LB-CNP任务分配算法和DFRRT*路径规划算法；第6节通过仿真实验验证了所提方法的有效性和优越性；第7节总结全文并讨论未来研究方向。

章节摘要

相关工作

关于多无人机在复杂环境中的协同任务规划问题，现有研究可大致分为两个方面：任务分配和路径规划。

在任务分配研究方面，许多学者对多无人机任务调度的求解效率、收益优化和鲁棒性进行了深入的研究。Zhao等人[13]提出了一种基于强化学习的任务分配与无冲突路径规划框架。该方法

系统和问题陈述

本节对任务分配与路径规划问题进行了数学建模，以满足城市环境中多无人机协同任务的实际需求。

任务分配算法

在复杂城市环境中，多无人机的任务规划不仅仅是资源分配，而是一个带有时间和空间约束的序列决策问题[25]、[26]。忽略任务执行顺序可能导致路径迂回，从而降低规划性能并增加能耗。因此，所提算法将任务分配与路径规划紧密耦合，为多无人机路径规划提供高质量的可行分配方案。

DFRRT*路径规划算法

上层任务分配为每架无人机确定任务序列${\mathit{\sigma }}_k$，而下层评估所生成路径的可行性和执行成本。两层通过序列引导和路径规划反馈进行耦合。基于分配的序列，下层在带有非线性风干扰的障碍物密集城市环境中，在相邻航点${\mathbf{p}}_{\mathrm{start}}$和${\mathbf{p}}_{\mathrm{goal}}$之间生成无碰撞且节能的可行三维路径。为

仿真实验与结果分析

为验证所提多无人机协同任务分配与路径规划方法在城市环境中的有效性和鲁棒性，本节构建了一个包含密集建筑和**非线性风场**的三维城市仿真环境，并从分配效率和路径规划两个角度，通过定性分析和定量分析相结合的方式系统地验证了MUTPO的综合性能。

结论

本文提出了一种面向有风场干扰的复杂城市环境的多无人机任务分配与协同路径优化的两层协同规划框架，并从理论建模、收敛性分析、算法设计和仿真验证等方面进行了系统性研究。实验结果表明，LB-CNP能够生成执行成本更低、工作负载更均衡的任务序列，从而奠定了坚实的

CRediT作者贡献声明

刘白胜：撰写初稿、可视化、方法学、概念构思。刘大千：监督指导、软件、资源、项目管理、资金获取。费博文：撰写-审阅与编辑、验证、正式分析、数据整理。

利益冲突声明

作者声明不存在任何已知的可能影响本文所报告工作的竞争财务利益或个人关系。

致谢

本研究得到了国家自然科学基金（资助号62303477和62302509）、辽宁省人工智能创新发展计划项目（资助号2023JH26/10300027）以及辽宁省教育厅基本研究项目（资助号LJ212510147054和LJ212410147090）的支持。

刘白胜|刘大千|费博文