《Drones》：Risk-Bounded Certificate Feedback for Allocation-Guided Cooperative Path Planning of Dynamic Multi-UAV Missions
编辑推荐：
本研究面向多无人机（multi-UAV）在共享二维环境中的低空导航问题，该环境包含狭窄通道、阻塞栅格及预测移动障碍物，同时需保持既定任务顺序。规划器从分配器接收有序任务束（task bundles），并依次校验静态障碍、移动障碍物时序、采样最小无人机间距、截止
本研究面向多无人机（multi-UAV）在共享二维环境中的低空导航问题，该环境包含狭窄通道、阻塞栅格及预测移动障碍物，同时需保持既定任务顺序。规划器从分配器接收有序任务束（task bundles），并依次校验静态障碍、移动障碍物时序、采样最小无人机间距、截止期限、风险预算及能量代理指标。规划器生成风险加权候选路径段，通过等待与局部绕行修复时序冲突，验证服务占用与终点占用，并返回一份证书（certificate），记录该路径段是否可执行、总行程代价、风险暴露量及能量代理值，或记录失败原因。研究在中等负载与高压力测试套件下，比较了无反馈、上下文否定（context no-good）、类型化失败（typed-failure）、量化反馈（quantitative）及组合反馈五种模式。经多重比较校正后，量化反馈在两组测试套件中均显著降低了单位完成任务的风险暴露；类型化失败反馈未带来可检测的额外收益，完成率差异经同样校正后亦不具显著性。固定任务束仿真表明，所提规划器能够在降低威胁暴露的同时保持调度的可执行性，优于时空优先级（spatiotemporal-priority）基线方法。单无人机飞行实验验证了航路点执行、参考轨迹跟踪及指定区域规避能力。
一、研究背景与问题提出
多无人机系统在巡检、测绘、监视、应急响应及搜索等任务中应用日益广泛，其核心优势在于编队可并行覆盖空间分布任务，效率显著高于单机。然而，实际低空任务中，任务分配与路径规划之间存在严重失配：分配器可能给出欧氏距离上高效的任务访问顺序，但该顺序一旦纳入静态障碍、预测移动障碍、威胁区域、截止期限、剩余能量及机间安全间距等约束后，可能变得不可行或不安全。这种失配在密集无人机编队中尤为突出，因为短距离路径可能需要等待、绕行或穿越高风险区域。
现有研究虽已形成较完备的理论基础：多智能体路径规划（MAPF）领域以A*为基础图搜索、SIPP处理时变障碍、CBS通过双层搜索解决智能体间冲突；无人机专用规划器如ECBS变体、EGO-Swarm、MADER等解决了拥挤环境下的轨迹规划问题；风险感知规划与任务分配研究也分别建立了地面风险图、拍卖机制等工具。但这些方法普遍存在局限：图模型未直接编码无人机风险场、认证安全走廊、剩余预算、动态任务释放或分配层修复；轨迹级规划器多假设目标或参考任务已固定，未说明路径失败应如何反馈至动态任务分配；风险规划与分配研究虽表明运动可行性可改变分配决策，但反馈形式问题悬而未决——标量旅行时间无法区分风险预算超限与动态障碍时序冲突，碰撞标志无法告知分配器应规避哪一段路径，而每次失败后全局重规划会扰动未受影响的无人机并增加通信负担。
二、研究内容与核心结论
针对上述问题，研究人员从路径规划侧提出解决方案：给定上游分配器输出的有序任务束，规划器在有限时域内对每一路径段执行静态障碍、预测移动障碍、机间间距、风险预算、能量代理及截止期限的联合校验。可执行的任务束返回协同参考路径与风险感知指标，失败路径段则返回包含受影响无人机、任务对、违反约束类型及规划上下文的证书。当新任务到达或计划插入失败时，证书仅重新开放受影响的无人机与任务进行局部修复，实现选择性更新。
研究得出以下核心结论：量化路径反馈在中等负载与高压力测试套件中均显著降低单位完成任务的风险暴露，经多重比较校正后仍具显著性；失败类型标签未带来可检测的额外收益；完成率差异经校正后不显著；固定任务束仿真表明所提规划器可在保持调度可执行性的同时降低威胁暴露，优于时空优先级基线；单无人机飞行实验验证了参考路径的可执行性。
三、关键技术方法
研究人员采用以下主要技术方法：风险加权网格搜索生成替代路径段，在八邻域静态自由空间图上执行加权最佳优先搜索，以路径长度、风险暴露与航向变化加权为目标函数；预留表（reservation table）时序修复机制，对候选转移执行静态阻塞、对角切角、移动障碍、机间间距及反向边冲突五重校验，并支持有界等待、起始延迟与单步绕行；风险、能量与证书构建模块，采用加性风险模型与能量代理模型，以向上取整方式判定预算可行性，并生成包含路径代价、风险、能量、扩展数、等待数、绕行数等信息的可行证书或含失败原因的不可行证书；路径简化模块，在静态视线自由且威胁值不超过阈值时以贪婪方式移除冗余航点。仿真数据由确定性脚本生成，固定任务束基准采用20组配对种子，闭环反馈消融采用中等负载与高压力两套测试套件各20组配对种子，敏感性研究采用每组设置10组种子；单无人机实验在室内运动捕捉场地完成。
四、研究结果
协同路径规划验证：主案例含6架无人机、12项任务、20组配对种子。独立A与独立Risk-A因存在机间或移动障碍冲突而不可执行；ST-Priority与AG-RSCP均完成全部20组主运行且零冲突记录。AG-RSCP将平均暴露从350.61降至189.90，降幅45.84%，20组配对种子全部偏向AG-RSCP。模块消融显示：移除风险感知虽保持主案例成功但暴露回升至350.61；移除时序修复导致全部20组种子任务失败且最小间距崩溃；移除路径简化保持可行性与暴露水平但航向变化代理值显著上升。鲁棒性套件中，三个6无人机场景下AG-RSCP降低平均暴露43.67%至55.75%，密集场景下完成率100%对80%。可扩展性测试显示AG-RSCP在4架与8架无人机时成功率100%，12架时90%，16架时80%。
闭环证书反馈验证：中等负载套件中，仅添加类型化失败动作对完成率与风险均无显著影响；量化反馈将单位任务风险降低11.64%，该结果经Holm校正后仍显著；高压力套件中量化反馈降低风险10.60%，同样通过校正，但完成率差异未达显著标准；完整反馈与量化反馈无显著差异。敏感性研究显示，最粗资源步长使完成率下降6.67个百分点，0.1375米动态余量使单位任务风险降低0.137，0.275米则降低0.355。
实验验证：三组参考路径集（基础航点执行、高风险区域绕行、离线阻塞段修复）均实现9/9任务航点完成，航段多段线RMSE分别为0.324、0.442与0.356米，绕行案例零记录高风险区域占用，离线修复案例零记录阻塞区域占用。
五、结论
本研究实现了面向有序多无人机任务任务的规划器至分配器证书接口。时序一致规划器保留无人机可用性与预留，校验初始悬停、服务与终点占用，测试三种有界风险权重替代方案，返回路径指标或类型化失败原因。量化反馈在中等负载与高压力套件中分别降低单位任务风险11.64%与10.60%，经多重比较校正后仍显著；类型化动作未检测到额外收益，完整反馈未优于量化反馈。全部主测试与敏感性运行均满足机间间距、移动障碍与边交换约束。固定任务束基准中AG-RSCP与ST-Priority均无冲突，AG-RSCP降低平均暴露45.84%。单无人机运动捕捉试验验证了选定参考轨迹的执行与区域规避能力。
