摘要：覆蓋路徑規(guī)劃包括找到覆蓋某個目標區(qū)域的每個點的路線。近年來，無人機已被應用于涉及地形覆蓋的多個應用領域，如監(jiān)視、智能農業(yè)、攝影測量、災害管理、民事安全和野火跟蹤等。本文旨在探索和分析文獻中與覆蓋路徑規(guī)劃問題中使用的不同方法相關的現(xiàn)有研究，特別是使用無人機的研究?？紤]到目標區(qū)域的信息可用性，我們總結了簡單的幾何飛行模式和更復雜的基于網格的解決方案。調查的覆蓋方法根據經典分類法進行分類，如無分解、精確細胞分解和近似細胞分解。這篇綜述還考慮了感興趣區(qū)域的不同形狀，如矩形、凹多邊形和凸多邊形。還介紹了通常用于評估覆蓋任務成功與否的性能指標。

關鍵詞：無人機；覆蓋路徑規(guī)劃；地形覆蓋率；精確細胞分解；近似細胞分解

1.引言
無人機已越來越多地應用于廣泛的應用領域，如監(jiān)控、智能農業(yè)、攝影測量、災害管理、民用安全、野火跟蹤、云監(jiān)控、結構監(jiān)督和電力線檢查。無人機由空中平臺組成，飛行器上沒有飛行員。這種平臺由人工遠程手動操作，但它們也執(zhí)行自動預編程飛行?？梢允褂门c機載傳感器集成的智能系統(tǒng)執(zhí)行自主飛行。
覆蓋路徑規(guī)劃（CPP）問題被歸類為機器人學中的一個運動規(guī)劃子主題，其中有必要為機器人建立一條路徑，以探索給定場景中的每個位置。盡管這種類型的空中平臺在自主飛行方面取得了技術進步，但重要的是要強調，由于安全措施，每架無人機的起飛、任務執(zhí)行和著陸階段通常由兩人協(xié)助。飛行員監(jiān)督任務，在飛行過程中發(fā)生故障或緊急情況時，可以將飛行模式更改為手動模式，而基地操作員在任務執(zhí)行過程中監(jiān)控導航數據，如高度變化和電池放電。
1.1.無人機分類
無人機可分為兩種主要類型，固定翼和旋轉翼?？紤]到控制和制導系統(tǒng)，這兩種類型都具有特定的優(yōu)勢和挑戰(zhàn)。固定翼無人機具有剛性機翼和翼型，可根據前進空速產生的升力進行飛行。導航控制是通過機翼（副翼、升降舵和方向舵）上的控制面獲得的?？諝鈩恿W支持更長的耐力飛行和游蕩，也允許高速運動。此外，與旋翼飛行器相比，這些飛行器可以攜帶更重的有效載荷。然而，這些平臺需要跑道才能起飛和降落，并且無法執(zhí)行懸停任務，因為它們在執(zhí)行任務時需要不斷移動。
旋轉翼使用旋轉葉片具有機動性優(yōu)勢。這些平臺能夠執(zhí)行垂直起降（VTOL）、低空飛行和懸停任務。旋轉葉片的使用產生空氣動力學推力，不需要相對速度。這種類型的空中平臺也可以分為單旋翼（直升機）和多旋翼（四旋翼和六旋翼）。
單旋翼有兩個旋翼，主旋翼用于導航，尾旋翼用于控制航向。這些飛行器通常能夠垂直起飛和降落，它們不需要葉片上的氣流就可以向前移動。相反，葉片本身會產生所需的氣流。與多旋翼發(fā)動機相比，燃氣發(fā)動機能夠實現(xiàn)更長的續(xù)航里程。這種類型的飛行器可以攜帶高有效載荷，如傳感器和機械手，同時執(zhí)行懸停任務和戶外任務中的長時間飛行。然而，這些平臺具有機械復雜性和較高的成本。
根據轉子葉片的數量，多轉子可分為多個子類。最常見的是四旋翼機和六旋翼機，但也開發(fā)了三旋翼機和八旋翼機。多旋翼是快速靈活的平臺，能夠執(zhí)行要求苛刻的機動。它們還能夠懸?；蜓刂繕艘苿印Ｈ欢?，這些平臺的有效載荷和續(xù)航能力有限。機械和電氣的復雜性相當低，因為這些部件是在飛行和電機控制器中抽象出來的。
還有混合動力無人機，它是一種特定類型的空中平臺，既有固定翼的優(yōu)點，也有旋翼的優(yōu)點，因此具有垂直起降的能力，飛行速度快，飛行時間長。這些無人機可分為敞篷無人機和尾座無人機。前者由一個混合平臺組成，該平臺執(zhí)行基本機動，使飛機基準線保持在水平方向。后者是一種能夠垂直起飛和降落在尾部的平臺，向前傾斜以實現(xiàn)水平飛行[13]。最后，考慮到任務要求，如高度和續(xù)航能力，在文獻中可以找到與無人機相關的其他類型的分類。在這些情況下，空中平臺可以根據低、中、高海拔進行分類，也可以考慮短續(xù)航和長續(xù)航。
1.2.現(xiàn)有綜述概述
文獻中介紹了一系列與無人機控制、感知和制導相關的研究，如低成本無人機的系統(tǒng)識別方法、在有障礙物的環(huán)境中有和沒有微分約束的軌跡規(guī)劃、不確定條件下的無人機自主制導，直升機導航和控制技術以及無人機的感知和狀態(tài)估計。
Choset介紹了一項關于移動機器人CPP的調查，作者將這些方法分為啟發(fā)式方法或完全方法。在啟發(fā)式方法中，機器人遵循一組定義其行為的簡單規(guī)則，但這種方法不能保證覆蓋成功。另一方面，完整的方法可以使用環(huán)境的單元分解來提供這些保證，該分解包括將空間離散化為單元，以簡化每個子區(qū)域中的覆蓋。作者提到的另一個重要問題是飛行時間，使用多個機器人可以最大限度地減少飛行時間，并減少轉彎次數。最后，作者重點介紹了現(xiàn)有的環(huán)境信息。幾種方法承認機器人先前關于搜索區(qū)域的知識（離線），而基于傳感器的方法在覆蓋期間實時獲取此類信息（在線）。
關于CPP的最新調查提出了幾種主要使用陸地車輛執(zhí)行任務的方法和技術[21]?？紤]到不確定性下的勘探，Juliá等人[22]提出了一項關于未知環(huán)境測繪策略的研究。機器人應該自主探索環(huán)境，收集數據并繪制導航地圖。在缺乏全球定位信息的情況下，有必要使用同步定位和映射技術不斷校正機器人的定位和方位估計?？梢允褂枚鄠€機器人來減少探索時間或提高地圖質量，但需要協(xié)調策略。在這種策略中，機器人可以共享感知并構建工作空間的公共地圖。這個全局地圖可以以集中式或分布式的方式構建。
1.3本綜述的動機
與無人機相關的現(xiàn)有調查涉及控制、感知和引導等重要問題。一些綜述涉及CPP問題，但僅考慮陸地車輛，并簡要提及無人機作為這些車輛的延伸。盡管在之前的調查中修訂的陸地勘探技術可以擴展并應用于無人機，但在處理飛行器時必須考慮幾個額外的方面，如飛行器的物理特性、續(xù)航能力、機動性限制、有效載荷受限、環(huán)境外部條件等。機載攝像頭和傳感器可以增加無人機的重量并降低續(xù)航能力，這是非常有限的，尤其是在多旋翼中。在這種無人機中，續(xù)航時間約為20-25分鐘，即使在2018年發(fā)布的更復雜的機型中也是如此。此外，轉彎機動和風場]增加了戶外任務的能耗。
本文對覆蓋路徑規(guī)劃進行了綜述。我們的綜述僅考慮與無人機相關的方法。采用Choset定義的經典分類法，根據所采用的細胞分解技術對現(xiàn)有方法進行分類?？紤]了無分解的方法和使用精確和近似細胞分解的方法。后一種方法，也稱為基于網格的方法，分為兩個子部分，即完整信息和部分信息。完整信息小節(jié)探討了保證覆蓋所有分解細胞的任務完整性的算法，而部分信息小節(jié)介紹了在不確定性下進行覆蓋的仿生方法。這篇綜述考慮了目標區(qū)域的不同形狀，包括矩形、凹面和凸面多邊形。還根據可用信息對這些場景進行分類，以執(zhí)行覆蓋。此外，我們還探討了通常用于評估覆蓋任務成功與否的性能指標。
本篇綜述組織如下：第2節(jié)討論了覆蓋路徑規(guī)劃問題，描述了目標區(qū)域的特征以及在飛行規(guī)劃中如何處理這些區(qū)域。介紹了用于分割和離散目標區(qū)域的不同分解技術以及性能指標。第3節(jié)探討了在不使用分解技術的目標區(qū)域中采用的簡單飛行模式。第4節(jié)介紹了使用精確單元分解離散化的目標區(qū)域的覆蓋解決方案。第5節(jié)介紹了使用近似單元分解離散為網格的感興趣區(qū)域的覆蓋方法。第6節(jié)總結了總體分析，強調了修訂CPP方法的主要優(yōu)點和缺點。第7節(jié)總結了綜述，提出了未來在使用無人機進行覆蓋路徑規(guī)劃方面可能存在的差距。
2.覆蓋路徑規(guī)劃
給定由智能體的自由空間及其邊界組成的目標區(qū)域，CPP問題包括規(guī)劃一條覆蓋整個目標環(huán)境的路徑，同時考慮到智能體的運動限制和傳感器的特性以及避免碰撞障礙物。在空域環(huán)境中，工作空間障礙物可以表示為無人機在規(guī)劃階段中不應考慮的禁飛區(qū)（NFZ），例如機場或危險建筑附近的區(qū)域。
目標環(huán)境通常使用分解技術劃分為稱為單元的不相交區(qū)域。單元的大小和分辨率可能會根據分解的類型而變化，并且應該應用特定的策略以確保完全覆蓋。對于較大的單元，需要多次運動才能完全覆蓋一個單元，而對于較小的單元，一次運動就足夠了。這些單元通常具有與智能體相同的大?。ǖ孛娓采w）或與傳感器的范圍（空中覆蓋）成比例，僅代表投影路徑中的一個點。CPP問題將在下一小節(jié)中進一步探討，包括目標區(qū)域的定義、細胞分解技術、性能指標和信息可用性。
2.1 目標區(qū)域
目標區(qū)域可以由$p$個頂點的序列 { v 1 , . . . , v p } \left \{ v_{1} ,...,v_{p} \right \} {v1?,...,vp?}來表示。每個頂點$v_i$都可以用一對坐標來描述，而其內角可以用${\gamma }_i$來表示。考慮任一頂點$v_i$，多邊形的下一個頂點可以描述為$v_{next(i)}$，其中$next(i)＝i(modp)+1$。位于兩個頂點$v_i$和$v_{next(i)}$之間的邊可以稱為$e_i$，而其長度為$l_i=||v_i?v_{next(i)}||$。此外，該區(qū)域可以包含內部NFZ，該內部NFZ被描繪為障礙點 { u 1 , . . . , u p } \left \{ u_{1} ,...,u_{p} \right \} {u1?,...,up?}的序列。圖1展示了目標區(qū)域的三個示例。

圖1.CPP任務探索的不同目標區(qū)域：（a）矩形；（b） 凸多邊形；（c） 帶有禁飛區(qū)的凹多邊形。
在覆蓋路徑規(guī)劃期間，目標區(qū)域的形狀是需要關心的相關因素。一些方法只探索矩形區(qū)域或將區(qū)域形狀簡化為矩形，而其他方法則支持更復雜的形狀，如表示不規(guī)則區(qū)域的凹凸多邊形。有些方法甚至可以處理包含在覆蓋期間必須避免碰撞的NFZ的目標區(qū)域。這些禁飛區(qū)可以代表根本不需要覆蓋的區(qū)域或不允許無人機飛行的位置。通常采用不同的分解技術來減少復雜區(qū)域的凹度，或者將區(qū)域分割成更小的單元，以便于覆蓋任務。
2.2.單元分解
CPP問題的主要關注點之一是保證場景的完整覆蓋。這通常是通過在感興趣的區(qū)域中應用單元分解來實現(xiàn)的，將目標自由空間劃分為單元以簡化覆蓋。在文獻中，有不同的單元分解方法，在涉及無人機的CPP問題中最常用的是精確單元分解和近似單元分解。精確的單元分解包括將工作空間拆分為子區(qū)域，也稱為單元，這些子區(qū)域的重新合并正好占據目標區(qū)域。這些單元通常通過如往返運動等簡單的方式來探索。通過這種方式，CPP問題可以簡化為從一個單元到另一個單元的運動規(guī)劃。這些運動是在共享相互邊界的相鄰單元之間執(zhí)行的?？紤]到鄰接圖表示，節(jié)點可以表示單元，而邊可以識別相鄰單元，如圖2所示。因此，分解的單元是通過在目標區(qū)域中從一側到另一側的掃描線來創(chuàng)建的。單元的范圍由每次掃描線越過障礙物邊界時觸發(fā)的事件定義。分解得到的單元可以存儲為鄰接圖，并且可以執(zhí)行搜索，以便找到只探索每個節(jié)點一次的連接路徑。最終覆蓋路徑由單元內部執(zhí)行的簡單運動和單元間連接組成。

圖2.將工作空間劃分為子單元的鄰接圖表示

有兩種重要的精確單元分解技術值得一提：梯形分解和boustrophedon分解（boustrophedon字面意思是“牛的路”，類似于動物在田里拖動犁時的運動。），分別如圖3a、b所示。前者將感興趣的區(qū)域劃分為凸梯形單元，進行往返運動，并使用窮舉行走來確定單元探索順序，以實現(xiàn)覆蓋。后者只考慮障礙物頂點，創(chuàng)建非凸的較大單元。在障礙物的兩側延伸一條掃掠線，這些區(qū)域被稱為臨界點。與梯形分解相比，boustrophedon分解能夠減少梯形單元的數量并最小化覆蓋路徑長度。

圖3.兩種類型的精確單元分解：（a）梯形分解；（b） Boustrophedon分解。
近似單元分解技術將該區(qū)域離散為一組規(guī)則單元。這些規(guī)則單元格通常呈正方形，但也可以用三角形或六邊形表示?；诰W格的方法可以應用于近似區(qū)域，以生成覆蓋路徑。當考慮使用陸地機器人的覆蓋時，單元的大小通常適合機器人的尺寸。然而，在空中覆蓋中，無人機在距離地面一定高度飛行，攜帶相機作為傳感器執(zhí)行任務。在這種情況下，單元的大小與無人機搭載相機的覆蓋面積成比例，如圖4a所示，網格分辨率是通過圖像要求（如分辨率和重疊率）以及圖像傳感器特性獲得的。

圖4.近似細胞分解：（a）投影面積；（b） 帶有路點的規(guī)則網格。
無人機覆蓋路徑由一組k個航路點 { w 1 , . . . , w k } \left \{ w_{1} ,...,w_{k} \right \} {w1?,...,wk?}組成。每個航路點$w_i$表示對無人機的導航命令，例如起飛、改變速度或移動到特定位置，并且包含關于緯度、經度和高度的信息。由于航路點具有引導無人機所需的所有定位信息，并且單元與攝像頭的投影面積成比例，我們可以簡化問題，假設每個單元的中心指的是一個路點，如圖4b所示。

2.3.性能指標
覆蓋算法必須考慮幾個問題來保證覆蓋任務的成功，例如目標區(qū)域的復雜性、禁飛區(qū)的存在與否以及使用單元分解技術的可能性。此外，覆蓋算法應根據應用需求生成覆蓋路徑。例如，攝影測繪傳感應用的主要目標是創(chuàng)建由一組重疊的航空照片組成的正交圖像。在這種情況下，應用要求是保證圖片中正面和側面疊加的必要數量。這類應用的另一個必要要求是分辨率，可以計算為地面采樣距離（GSD）。GSD是與圖像中一個像素的邊相對應的地面上的長度，或者是在地面上測量的像素中心之間的距離。無人機的飛行高度越低，GSD越小，圖像質量越好。
因此，用于評估覆蓋路徑的候選解決方案的性能指標必須滿足應用場景需求。此外，它還應考慮到覆蓋范圍是簡單的還是連續(xù)的。在簡單覆蓋中，目標區(qū)域只被覆蓋一次，而在連續(xù)覆蓋中，目標i被掃描幾次。在這兩種情況下，覆蓋范圍都可以由單個或多個智能體執(zhí)行。連續(xù)覆蓋的具體指標包括檢測到的對象/事件的數量、每個環(huán)境單元中的訪問間隔和頻率、間隔的二次平均值（QMI）[28]和頻率的標準差（SDF）。
考慮到簡單覆蓋的情況，文獻中發(fā)現(xiàn)的最常見的性能指標是：總行駛距離或路徑長度、完成任務的時間、區(qū)域覆蓋最大化和轉彎機動次數。最小化覆蓋路徑長度與區(qū)域覆蓋最大化之間存在權衡。在通過單元分解劃分的工作空間中，路徑長度不僅應在每個單元內最小化，而且應在相鄰單元之間的中間路徑中最小化，即連接一個單元的末端和下一個單元起點的路徑。將無人機保持在感興趣的區(qū)域內，避免飛越之前訪問過的地點，并在更高的高度飛行，也可以最大限度地縮短覆蓋距離。
多個機器人的使用減少了覆蓋飛行時間。然而，對于一個機器人，可以考慮每行進單位路徑長度所覆蓋的面積。最大限度地減少這一數量可以縮短單機器人和多機器人覆蓋的完成時間。使用多個機器人通常需要一個協(xié)調過程，包括劃分目標區(qū)域并在無人機之間分配產生的子區(qū)域。工作空間可以分為兩個不同的步驟進行劃分和分配，也可以通過考慮智能體的相對性能的分布式方式同時使用協(xié)商協(xié)議進行分配。然而，包含最優(yōu)區(qū)域分解、分配和有效覆蓋的全解是一個協(xié)作控制問題，通常被歸類為NP難問題。除此之外，一旦智能體退出任務或場景發(fā)生變化，就需要重新配置過程來劃分區(qū)域并將其分配給其余智能體。因此，考慮到無人機在不同的高度飛行以避免碰撞，許多研究簡化了這個問題。
此外，轉彎機動次數經常被用作覆蓋范圍內的主要性能指標。當飛行器執(zhí)行轉彎機動時，它應該降低速度、旋轉并再次增加速度。因此，執(zhí)行的機動次數越多，所花費的時間和能量就越大。通過這種方式，作者經常探索最小化機動次數，以間接節(jié)省能源并延長任務時間。作者經常將路徑長度、完成任務的時間和轉彎次數等指標與能耗聯(lián)系起來，試圖將其最小化以節(jié)省能源。然而，為了有效地節(jié)省無人機的能源，還需要研究車輛的運動和約束、轉彎角度和最佳速度等進一步的特征。正如Di Franco和Buttazzo所述，不同的距離可能具有不同的最佳速度，并且根據它們的長度，能耗最小。因此，作為使用無人機的主要技術邊界，由于無人機在覆蓋路徑規(guī)劃任務中的續(xù)航能力有限，能量消耗引起了研究人員的興趣，并成為主要的優(yōu)化標準。

2.4.信息可用性
無人機覆蓋任務所采用的解決方案類型取決于工作空間的可用信息量。假設信息可能不斷變化或不完全可用的動態(tài)環(huán)境，可以考慮隨機決策。為了應對這種情況，無人機必須使用搭載傳感器來收集工作空間數據，以執(zhí)行覆蓋，在路徑的規(guī)劃進程和覆蓋進程之間不斷切換。這種類型的在線覆蓋有時被稱為基于傳感器的覆蓋，因為它使用傳感器信息來驅動覆蓋操作。無人機一開始不具備關于工作空間的完整知識（或完整信息），應重新構建完整地圖以成功執(zhí)行任務。這里的挑戰(zhàn)是在處理動態(tài)行為（例如，移動目標的定位）的同時保持更新的數據。另一方面，一些覆蓋方法擁有所有可用信息，并且在規(guī)劃階段之前就知道場景的布局。在這種情況下，覆蓋范圍是離線的，通常分為三個順序的主要步驟：分解、計劃和執(zhí)行。首先，在區(qū)域上應用單元分解技術，以離散和分割工作空間。其次，具有關于環(huán)境的全部知識的覆蓋路徑規(guī)劃算法根據預定義的性能度量來搜索解決方案。最后，執(zhí)行生成的路徑并完成任務。重要的是要強調，在最后一步中，沒有可能導致已建立路徑發(fā)生變化的外部干擾，只有特殊情況，如預編程的故障保護。

3.不分解
用一架無人機在規(guī)則形狀和非復雜的目標區(qū)域執(zhí)行覆蓋任務通常不需要任何類型的分解。簡單的幾何圖案就足以探索這些區(qū)域。最常見的模式是往返（BF）和螺旋（SP）。前者被最流行的飛行控制軟件Mission Planner采用，以使用標準模式實現(xiàn)區(qū)域覆蓋。在這種模式下，運動由兩個方向交叉的直線組成，在每輪結束時進行閉角機動。后者通常執(zhí)行經過區(qū)域外部頂點的運動，并朝著中心點減小半徑。
Andersen認為，有些方法只探索矩形區(qū)域，作者比較了不同類型的飛行模式。在這項工作中，往返模式被分為平行線和爬行線，如圖5a、b所示，當搜索區(qū)域很大并且沒有關于可能的目標會合點的信息時，這是優(yōu)選的。方形飛行模式由直線和90? 向右轉彎組成。圖案從中心點開始，向邊界延伸，遵循類似于橢圓形的圖案，通常在需要均勻區(qū)域覆蓋時使用，如圖5c所示。
扇區(qū)搜索模式如圖5d所示，由一條直線和當車輛到達該區(qū)域邊界時向右120? 轉彎組成。經過三個扇區(qū)后，路徑返回到區(qū)域中心的初始點。然后，用以30經過三個扇區(qū)后，路徑返回到區(qū)域中心的初始點。然后，用以30?轉向角的相同模式重復移動。屏障巡邏包括在搜索區(qū)域內空間分布的12個點的定義，如圖5e所示。車輛在起點啟動其軌跡，并使用圓周運動達到下一個點。從這一點開始，它不是繼續(xù)圓形軌跡，而是跟隨到更靠近右角的點，并到達中心點。

圖5.沒有分解的矩形區(qū)域中的簡單飛行模式：（a）平行；（b） 爬行線；（c） 方形；（d） 扇區(qū)搜索；（e） 屏障巡邏。
Coombes等人分析了風擾動對固定翼無人機BF覆蓋路徑任務執(zhí)行時間的影響。利用BF運動覆蓋的圓形感興趣區(qū)域，作者探索了不同的掃掠方向，從0度到360度，增量為10度，具有六種不同速度的預定義風向。根據模擬實驗，覆蓋方向必須與風向垂直，以最大限度地縮短飛行時間。然而，轉向操縱直接受到垂直方向（順時針或逆時針）選擇的影響。作者認為，在分解成單元的更復雜的場景中，這些單元之間的過渡距離對飛行時間的影響比風向的影響更大。
最近的研究提出了能耗感知解決方案，探索無人機的動力學和行為，以節(jié)省能源。Di Franco和Buttazzo將規(guī)則形狀的區(qū)域視為矩形和凸多邊形，提出了一種用于攝影測量的能耗感知往返CPP方法（E-BF），該方法具有任務施加的能量和分辨率約束。在這種方法中，一種算法根據分辨率約束確定在最大高度來回運動的最佳配置，同時最小化轉彎次數。作者聲稱，可以最大限度地減少以最佳速度飛行的能耗。此最佳速度隨行駛距離而變化。
該算法找到最長邊的第一個頂點，并計算與之平行的掃描方向。然后，它計算掃描線和路點的數量、掃描線和連續(xù)路點之間的距離以及重疊率。最后，一條直線將最遠的頂點連接到初始頂點。還提出了一種算法改進，以避免先前探索的覆蓋區(qū)域，如圖6a所示。使掃描線數量均勻并增加重疊率，返回路徑也可以用作掃描路徑，如圖6b所示。作者還提出了離線和在線故障保護措施。前一個是離線檢查，以驗證電池是否有足夠的能量執(zhí)行任務。后者在飛行過程中在線檢查，并不斷分析剩余能量是否能夠將飛行器帶回起點。

圖6.能量感知往返覆蓋路徑規(guī)劃算法：（a）奇數條紋；（b） 偶數條紋。
Cabreira等人針對規(guī)則形狀目標區(qū)域提出了一種能量感知螺旋CPP算法（E-spiral）。該算法包括建立一條經過該區(qū)域每個頂點的覆蓋路徑。一旦第一次覆蓋層完成，算法應減小半徑，以便將無人機移向中心點，如圖7所示。該算法以更寬的角度執(zhí)行轉彎操作，不需要在每次轉彎時將速度降至零，從而減少了加速和減速周期。這種行為使直線路段采用的最佳速度保持更長時間，提供了比Di Franco和Buttazzo提出的更有效的節(jié)能。

圖7.具有能量和分辨率約束的能量感知螺旋算法：（a）矩形區(qū)域；（b） 多邊形區(qū)域。
E-BF和E-Spiral采用了Di Franco和Buttazzo提出的由實際測量得出的能量模型。在3750個不同的凸多邊形區(qū)域中進行的模擬中比較了這些方法，這些區(qū)域具有不同的特征，如角點、不均勻性和尺寸。使用四旋翼機，作者還使用矩形和多邊形區(qū)域的兩種模式進行了實際實驗，以分析任務期間消耗的能量。E-Spiral在模擬和實際飛行中都優(yōu)于E-BF，考慮到任務期間消耗的能量，它可以被認為是凸多邊形區(qū)域最有效的CPP方法。
李等人提出了一種用于無人機的三階段CPP算法，其中作者探索了Di Franco和Buttazzo沒有解決的重要特征，如有效載荷和功率變化。第一步是使用控制點建立三維地形模型，以獲得分析模型。接下來，考慮起飛重量、飛行速度和空氣摩擦，計算穩(wěn)定功耗。作者認為，無人機在穩(wěn)定狀態(tài)下以恒定速度移動，從而得出了旨在最小化能量的最佳速度。此外，還構建了一個能耗圖，以顯示路徑每個部分的能耗。最后，利用遺傳算法進行優(yōu)化，以發(fā)現(xiàn)包括所有頂點的最小成本路徑。
Artemenko等人提出了用于平滑軌跡的能量感知算法。作者觀察到，一旦無人機每次進行這些機動時都必須減速、旋轉和加速，無人機就會花費大量時間和精力進行轉彎。因此，使用Bézier曲線的概念，算法通過沿給定路徑平滑機動來修改傳統(tǒng)軌跡，如SCAN（往返）、HILBERT和LMAT，如圖8所示?？梢詧?zhí)行更有效的轉彎機動，以最小減速度平滑移動。作者將修改后的軌跡與傳統(tǒng)軌跡進行了比較，得出的結論是，新軌跡能夠減少所花費的能量和時間，保持定位精度（LoLA）的水平。

圖8.常規(guī)CPP路徑：（a）希爾伯特曲線；（b） 掃描；（c） LMAT。
Forsmo等人將混合整數線性規(guī)劃（MILP）用于涉及無人機的矩形區(qū)域的覆蓋任務。某一區(qū)域的航路點分布考慮了無人機機載攝像頭，以獲得全覆蓋。作者簡化了問題，只考慮矩形障礙物，并將飛行器放置在該區(qū)域的不同區(qū)域，沒有使用任何類型的區(qū)域分解，也沒有正確處理飛行器之間的防撞問題。進行了仿真實驗，以評估所提出的解決方案，考慮了不同的約束情況，如航路點訪問順序和相機距離減少。
考慮到不同場景的復雜性和規(guī)模，覆蓋任務可能需要一組飛行器以合作的方式工作，以提高任務性能。Ahmadzadeh等人提出了一種使用多個固定翼異構無人機的矩形區(qū)域具有臨界時間的協(xié)同覆蓋算法。這些飛行器以恒定的速度在不同的固定高度飛行，如80米、90米、100米和110米。此外，車輛的機動性受到限制，前部或左翼都有固定的攝像頭。使用基于整數線性規(guī)劃的方法來生成考慮這些限制的解決方案。
帶有正面攝像頭的無人機的路徑基本上是圓形的，而帶有左側攝像頭的無飛機的路徑由直線和左轉組成。當車輛右轉時，攝像頭聚焦在地平線上，不會捕捉到覆蓋區(qū)域的任何圖像，或者圖像分辨率急劇下降。作者將所提出的使用四個固定翼飛行器的方法與往返等簡單方法進行了比較。由于運動約束和視場，諸如往返之類的簡單模式提供了大約80%的目標區(qū)域覆蓋率，而所提出的方法獲得了100%的覆蓋率。該方案在MATLAB和實際飛行中進行了模擬測試和評估。
4.精確單元分解
根據工作空間的大小和復雜性，可以在目標區(qū)域中采用精確的單元分解。使用這種技術，不規(guī)則形狀的區(qū)域被分割成子區(qū)域，以減少凹陷并簡化覆蓋。這些子區(qū)域可以由單個或多個無人機覆蓋。在前一種情況下，CPP方法必須涉及每個子區(qū)域中的覆蓋路徑以及連接這些子區(qū)域的中間路徑。在后一種情況下，CPP方法必須考慮每架無人機的相對性能，以便計算每個子區(qū)域的大小。此外，應考慮安全裕度，以防止無人機之間發(fā)生碰撞。首先，我們修改了一些用于單無人機的CPP方法，使用前后和凸面和凹面的螺旋圖案。接下來，我們將探討處理多架無人機的合作策略。
4.1.單一策略
焦等人、李等人探索了一種考慮凹多邊形區(qū)域的精確細胞分解方法。最初，通過最小寬度方法將工作空間分解為非凹子區(qū)域，該方法探索了Levcopoulos和Krznaric之前提出的貪婪遞歸方法。然后，進行垂直于掃掠方向的往返運動，掃掠方向是邊緣和頂點之間的最小距離，以最大限度地減少轉彎機動。通過凸分解（見圖9a）獲得的兩個完全相鄰且掃描方向相同的子區(qū)域被組合到子區(qū)域P4中，以避免不必要的移動，如圖9b所示。也可以將運動方向從一個子區(qū)域更改為另一個子區(qū)域，以獲得覆蓋率的提高，如圖9c所示。最后，定義子區(qū)域的最佳序列以連接最終軌跡，如圖9d所示。

圖9.凹多邊形的分解和覆蓋：（a）凸分解；（b） 子區(qū)域組合；（c） 覆蓋路徑；（d） 無方向圖。
Torres等人提出了另一種探索凸和凹區(qū)域精確細胞分解的覆蓋方法。作者的目標是使用飛行器捕捉圖片，以實現(xiàn)三維重建。凸多邊形可以通過BF運動根據最佳方向進行掃掠。然而，在凹多邊形等更復雜的區(qū)域，需要檢查任務是否可以以相同的方式執(zhí)行，在掃掠線間沒有間隙，即沒有掃掠線穿過多邊形外部的部分。這種特殊情況如圖10a所示。當路徑中斷時，如圖10b所示，使用多邊形的精確分解來簡化創(chuàng)建子區(qū)域的區(qū)域。

圖10.在凹多邊形中使用往返覆蓋：（a）非中斷路徑；（b） 中斷路徑。
一旦為每個子區(qū)域定義了最佳掃描方向，就會考慮與方向相關的兩個標準，探索四種不同的往返替代方案。備選方案影響過渡距離，即給定子區(qū)域A的最后一個點和給定子區(qū)域B的第一個點之間的距離。通過用每個備選方案調整子區(qū)域覆蓋順序，可以最小化過渡距離，從而最小化路徑長度。當覆蓋完成時，該方法使用直線將最后一點與第一個點直接連接起來。根據子區(qū)域的數量，探索所有排列可能會消耗較高的計算時間。因此，作者只使用相鄰的子區(qū)域進行轉換，從而減少了排列的數量。在兩種情況下對擬議方法進行了評估。在第一個場景中，凹區(qū)域被分解為五個子區(qū)域，只考慮四個相鄰。作者大大減少了排列的數量和生成解決方案所花費的計算時間，總距離的增量很小。在第二種情況下，將該方法與Li等人提出的使用相同區(qū)域的方法進行比較，如圖11所示。所提出的方法將該區(qū)域分解為四個子區(qū)域，僅計算了80次轉彎機動，而原始工作中有87次。

圖11.凹區(qū)域分解方法的比較：（a）凸分解；（b） 凹凸分解。
Coombes等人提出了一種固定翼無人機探測風以減少飛行時間的覆蓋路徑規(guī)劃技術。作者在之前的工作中將風納入模型中以計算覆蓋路徑，并通過提出一種分解方法將復雜區(qū)域劃分為凸多邊形來擴展他們的工作。目標區(qū)域通過探索多邊形的若干旋轉的梯形分解來分解。細胞重組使用動態(tài)編程將細胞合并為凸多邊形。需要注意的是，這種分解方法還考慮了區(qū)域外部的可選單元，以便找到飛行時間較短的不同分解。
無人機使用垂直于風向的往返運動來探索該區(qū)域，并被允許在目標區(qū)域外飛行。每條直線的初始和最終航路點與該區(qū)域的輪廓相交，無人機執(zhí)行180度轉彎機動，從一條直線的最后一點移動到下一條線的第一點。這種在有風的情況下的動作被稱為次擺線轉彎。它由連接航路點的最短曲線組成，考慮到固定翼限制轉彎率。在路徑計算過程中還考慮了相鄰單元之間的過渡距離。
作者提出了一個名為風中飛行時間（FTIW）的成本函數，用于計算飛機覆蓋某個區(qū)域所需的飛行時間?？倳r間是飛行直線、執(zhí)行次擺線轉彎和在單元格之間進行轉換的時間之和。將所提出的方法（FTIW）與以前旨在最小化轉彎次數（NT）和高度總和（MSA）的技術進行了比較。使用蒙特卡洛模擬生成的真實場和幾個隨機多邊形，作者聲稱，考慮到執(zhí)行覆蓋所需的飛行時間，他們的FTIW方法優(yōu)于以前的兩種方法。
Xu等人提出了一種固定翼無人機的最優(yōu)覆蓋算法，該算法能夠避免在任意形狀的障礙物區(qū)域和先前探索的區(qū)域中飛行。使用最初由Choset和Pignon提出的Boustrophedon細胞分解（BCD），在離線階段通過位圖表示將目標區(qū)域分解為一組簡單的單元。BCD是一種精確的單元分解，能夠處理非多邊形障礙物，與梯形分解相比，它提供了更有效的覆蓋路徑。通過分解，可以構建一個鄰接圖，其中頂點表示單元，邊連接相鄰單元，如圖12所示。

圖12.具有障礙物的目標區(qū)域分解為單元格和圖形表示。
在在線階段使用往返運動來探索單元。單元之間的順序遵循歐拉回路，起點和終點位于同一頂點。根據下一個單元的位置，有必要遍歷之前在場景中探索的子區(qū)域。因此，提出了一種更有效的技術來消除添加額外掃描線的析取。這條線保證了到達細胞邊界時路徑的連續(xù)性，并防止重復探索。原始和修改后的方法被應用于模擬和實際飛行中。兩者都是根據總路徑長度和執(zhí)行覆蓋的時間進行評估的。作者提出的方法在這兩個標準中的效率都高出10%。
?st提出了一種凸分解方法，將復雜形狀分割成更小的形狀，并將具有尖銳邊緣的凹形轉換為凸形。作者探索了往返和螺旋運動，如圖13所示，將它們與所提出的區(qū)域分解技術相結合。作者聲稱，對于不同的組合，沒有區(qū)域分解的往返模式呈現(xiàn)出可靠的結果。這種信心是因為所有的機動都有90? 轉彎，這使我們能夠預測四次移動后的模式。盡管生成的路徑稍長，但這種模式能夠處理復雜的形狀而不會丟失覆蓋范圍。然而，該算法在測試多邊形中0度到180度之間的所有不同旋轉時消耗了相當長的時間以找到最佳運動方向。

圖13.多邊形區(qū)域的簡單飛行模式：（a）往返飛行；（b） 螺旋。
根據?st的說法，最短路徑是用具有大內角的圓形螺旋圖案生成的。然而，有時這種模式并不能得出覆蓋復雜地區(qū)的結論。包括模式和分解的混合變體能夠生成距離較小的路徑，但這些組合并不總是以良好的方式處理所有實例。事實證明，只有當該區(qū)域在不同方向上有太多突起時，例如星形時，它才真正有效。在某些情況下，分解可能包含更多具有大量小內角的頂點，從而在區(qū)域連接期間生成自相交。
4.2.協(xié)同策略
協(xié)同策略使用多架無人機覆蓋目標區(qū)域。這種策略通常適用于工作空間太大而無法由單個無人機覆蓋的情況。根據問題的復雜性，覆蓋方法可能只將區(qū)域劃分為子區(qū)域，并為每個無人機單獨規(guī)劃覆蓋路徑。更復雜的方法處理運動同步、分散的信息和通信問題以及不同級別的本地優(yōu)先級。
4.2.1往返
Maza和Ollero提出了一種在凸多邊形區(qū)域使用異構無人機編隊的協(xié)作策略。地面控制站對該區(qū)域進行分解，并在考慮相對性能和初始位置的情況下，將生成的子區(qū)域分配給每架無人機。每架無人機都計算往返運動，目的是最大限度地減少轉彎次數。圖14顯示了用三架無人機分解的目標區(qū)域和各自的覆蓋路徑。平行路線之間的距離與每架無人機的攝像頭投影面積有關。當無人機發(fā)生故障時，將采用重新配置過程，因此該區(qū)域將再次劃分，其余車輛應重新計算其掃掠方向。

圖14.使用一組異構無人機在凸多邊形區(qū)域進行協(xié)同覆蓋
4.2.2螺旋
Balampanis等人在幾項工作中探索了一種用于使用多個異構無人機在沿海地區(qū)執(zhí)行任務的螺旋CPP算法?？紤]到飛行器的傳感能力，作者使用Balampanis等人引入的約束Delaunay三角測量（CDT）來離散工作空間。作者指出，經典的網格分解創(chuàng)建了部分位于禁飛區(qū)或工作區(qū)外的規(guī)則方形單元。因此，CDT在感興趣的區(qū)域內提供幾乎與該區(qū)域的精確形狀匹配的三角形單元。
為了生成更均勻的三角形，他們應用了Lloyd優(yōu)化。該技術將單元角度近似為60度，增強了均勻性。然后，使用先前由Balampanis等人提出并通過引入平滑參數改進的螺旋算法來生成所得到的子區(qū)域中的覆蓋路徑。所提出的策略已經在軟件在環(huán)仿真中進行了測試。通過將使用CDT/Lloyd優(yōu)化的螺旋狀模式（三角形單元）與使用來回運動的經典網格分解（方形單元）進行比較，來執(zhí)行關于覆蓋模式的進一步分析。作者聲稱，他們的方法能夠以更平滑的軌跡完全覆蓋給定區(qū)域，而無需進入NFZ或走出該區(qū)域。然而，與往返模式相比，該方法呈現(xiàn)出更長的覆蓋路徑和更高的匝數。
4.2.3線形
Vincent和Rubin提出了一種探索編隊的合作覆蓋策略，用于檢測在危險環(huán)境中移動的智能目標。作者認為，目標試圖故意逃離無人機在矩形區(qū)域內進行的搜索。該任務基于五個標準，例如最大限度地提高探測目標的概率，最大限度地減少跟蹤時間和任務中使用的飛行器數量，在假設一架或多架無人機發(fā)生故障的情況下提供穩(wěn)健性，以及最大限度地減少飛行器之間共享的信息量。
如圖15所示，無人機被組織成直線隊形，并執(zhí)行長直運動。當無人機以緊密的隊形探索該區(qū)域時，它們之間的通信被簡化了，在其中一個個體出現(xiàn)故障的情況下，不會影響任務的連續(xù)性。無人機之間交換的控制信息有兩種類型，即維護信息和更新信息。維護信息在無人機之間定期交換，如果其中一輛無人機未能傳輸該信息，則相鄰無人機會認為該無人機已停止工作。無人機交換更新消息以達成模式重新配置的協(xié)議。覆蓋模式的成功取決于一旦目標可能在試圖逃離無人機的傳感器時移動到這些區(qū)域，是否返回到先前探索的鄰近區(qū)域。

圖15.具有智能目標的矩形感興趣區(qū)域的合作覆蓋策略。
4.2.4分散技術
Acevedo等人提出了一種在監(jiān)視任務中劃分矩形區(qū)域的分散算法。同構使用一對一的協(xié)調技術來分配子區(qū)域，并探索相鄰區(qū)域。無人機的通信范圍很短，如圖16所示，并且必須以同步的方式共享經過近點的信息。子區(qū)域均勻分布，具有由子周邊方法生成的相同大小的路徑。作者開發(fā)的這種方法使用有關區(qū)域的信息來生成內部相似區(qū)域，使得從內部區(qū)域到區(qū)域邊界的最大距離小于或等于覆蓋范圍。該系統(tǒng)適用于團隊中的修改，例如無人機離開進行維修或電池充電。主要目標是開發(fā)一種協(xié)同巡邏策略，以優(yōu)化在任何地點的觀察間隔，并最大限度地減少與其他成員共享檢測到的信息的時間（延遲）。

圖16.用于矩形區(qū)域監(jiān)視任務的分散算法，使用同構無人機團隊進行信息交換。
最近，Acevedo等人擴展了他們在具有異構無人機的不規(guī)則形狀區(qū)域進行監(jiān)測的方法。不規(guī)則區(qū)域包含障礙物和不規(guī)則邊界，因此將其離散為規(guī)則區(qū)域，如圖17a所示。該圖中編號的黑色矩形表示用于劃定邊界和指示障礙物的禁飛區(qū)。在這種情況下，不是劃分目標區(qū)域，而是將覆蓋整個區(qū)域的單個路徑分割并分配給無人機，在鄰居之間共享信息。更快的無人機覆蓋更大的路段，所有無人機在每個路段的末端都反轉巡邏方向。在模擬中，考慮了一個有建筑的城市場景，如圖17b所示，四輛無人機在低空飛行，同時避開障礙物。該系統(tǒng)能夠適應任務期間無人機的動態(tài)加入和退出。

圖17.使用一組異構無人機在不規(guī)則形狀區(qū)域執(zhí)行路徑分割監(jiān)視任務：（a）不規(guī)則區(qū)域近似；（b） 分段的單一路徑。
最后，Acevedo等人探索了使用網格形狀區(qū)域劃分策略的一對一協(xié)同方法。目標區(qū)域被劃分為非重疊的子區(qū)域，由沿著不同路徑的異構車輛進行監(jiān)測。該技術允許無人機根據其最大容量自行調整分區(qū)，以分散的方式保持同步。此外，該解決方案能夠重新安排主要條件，如區(qū)域形狀和車輛容量。
4.2.5局部優(yōu)先級
Araujo等人提出了一種具有局部優(yōu)先級的凸多邊形區(qū)域的連續(xù)覆蓋和分解方法。工作空間在較小的區(qū)域使用往返方法解耦，其中應根據每架無人機的相對性能（如每單位時間覆蓋的面積）將區(qū)域分配給每架無人機?？紤]到固定翼飛行器的運動學約束，作者開發(fā)了一種在每個子區(qū)域內生成最優(yōu)路徑數的方法。使用描述多邊形高度的直徑函數，可以獲得垂直的最佳掃掠方向，從而最小化路徑的數量和轉彎機動次數。路徑具有與板載相機占用面積相同的寬度，并且由于定位誤差和軌跡的微小變化，路徑之間的重疊是必要的。
作者放棄了使用一些飛行標準，即簡單的往返和螺旋運動，聲稱這些模式既不能處理不同的局部優(yōu)先事項，也不能在特定地區(qū)進行多次訪問。因此，作者提出了一種往返/zamboni（zamboni指的是曲棍球場上修理冰的機器。）飛行模式，如圖18所示。所提出的飛行模式允許訪問以前探索過的路徑，因為自上次訪問以來，隨著時間的推移，地點的不確定性程度會增加。他們還認為，由人工操作員管理的局部具有不同程度的優(yōu)先級。因此，在完成其中一個路勁的覆蓋后，車輛必須考慮到不確定性和優(yōu)先級來選擇下一個路徑。

圖18。往返/zamboni飛行模式，具有局部優(yōu)先級和連續(xù)覆蓋任務的不確定性程度。
5.近似單元分解
5.1 完整信息
往返飛行模式通常用于農業(yè)等應用，但考慮到形狀不規(guī)則的目標區(qū)域，這種類型的運動會產生低效的軌跡。Valente等人提出了一種用于不規(guī)則形狀農田精密農業(yè)圖像拼接的覆蓋路徑規(guī)劃方法。在這種稱為基于梯度的方法中，使用近似單元分解將感興趣的區(qū)域離散為規(guī)則網格，如圖19所示。每個單元格代表路徑的一個航路點，其大小取決于機載攝像頭的圖片尺寸。網格配置是通過圖像需求和圖像傳感器特性來實現(xiàn)的。通過Wavefront算法將分解后的區(qū)域轉換為數字標記的正則圖，Wavefronts算法是一種標記單元鄰域相鄰性的泛洪算法。

圖19.在不規(guī)則形狀的目標區(qū)域中使用基于網格的方法。
深度有限搜索（DLS）用于發(fā)現(xiàn)完整路徑，而無需重新訪問先前探索的節(jié)點。使用DLS，探索長度僅限于頂點數量，不會陷入循環(huán)或重新訪問節(jié)點?；厮葸^程也被用于解決諸如在相等值的鄰居之間進行選擇之類的問題。所提出的方法能夠在具有特定約束的復雜區(qū)域中實現(xiàn)簡單且快速的解決方案，以實現(xiàn)接近最優(yōu)的結果。Nam等人提出了另一種探索農業(yè)地區(qū)覆蓋率的Wavefronts算法和近似單元分解的方法。如圖20a所示，在根據Wavefronts標記的感興趣區(qū)域上獲得覆蓋路徑，并通過三次插值算法進行平滑，如圖20b所示。與Valente等人不同，本文作者提出了一種新的基于路徑長度和轉彎次數的任務執(zhí)行時間優(yōu)化標準。
圖20.最佳路徑和覆蓋軌跡：（a）Wavefront；（b） 三次插值。
Bouzid等人提出了一種四旋翼無人機的最優(yōu)CPP算法。目標區(qū)域被表示為包含目標點（POI）的地圖。無人機應執(zhí)行連接POI的最小路徑，并以不同的方式避開障礙物，以確保該區(qū)域的完全覆蓋。這次任務計劃分兩步進行。該算法計算探索鄰域的旅行成本，然后確定應該訪問的點的序列，以最小化總距離。在訪問POI一次后，車輛應返回到初始位置。通過這種方式，該問題被視為旅行商問題（TSP），并且可以使用遺傳算法（GA）來計算整個最短路徑。作者認為點之間的累積歐幾里得距離是性能度量。此外，他們認為在整個任務期間能量消耗功率是恒定的，并以時間為單位進行測量。
在實際應用中，考慮到四旋翼機的板載能量有限，四旋翼機在執(zhí)行任務時可能需要對電池充電或更換幾次。因此，受車輛路徑問題（VRP）的啟發(fā)，作者探索了一種不同的可能性。該解決方案在只有一個或多個初始位置的情況下找到最短軌跡的最小組。在這種情況下，飛行器執(zhí)行指定的任務，每次需要給電池充電時都會不斷返回基站。與此同時，無人機還在任務的每個部分下載獲取的信息。
Barrientos等人討論了一種涉及異構四旋翼機團隊的精準農業(yè)覆蓋方法，包括兩個主要階段：任務細分和分配，以及覆蓋路徑規(guī)劃。在第一階段，使用協(xié)商協(xié)議，以分布式方式同時完成區(qū)域的細分和產生的子區(qū)域的分配。在這個階段，無人機必須分析任務的成本和報酬，即覆蓋某個子區(qū)域?？紤]到其內部參數，無人機評估任務執(zhí)行的成本、從當前位置移動到搜索區(qū)域的初始成本、NFZ、轉彎角度和嵌入式傳感器等特定限制，以及與任務完成相關的報酬。目標函數對具有不同權重的幾個項進行求和，包括任務維度和起點到任務地點之間的距離。此外，如果一項任務與另一項任務重疊，或者探索超出了一般區(qū)域，則可能會受到處罰。
在第二階段，使用近似單元分解將該區(qū)域離散為規(guī)則網格。每架無人機都使用Wavefront算法為其子區(qū)域創(chuàng)建覆蓋路徑，最大限度地減少飛行時間、轉彎機動次數和重復訪問單元格的數量。此外，無人機保持恒定的高度，以根據機載攝像頭的視場來保證所需的分辨率。最后，作者提出了一個控制系統(tǒng)，以提高無人機在高速機動過程中的高度穩(wěn)定性。在葡萄園的田地里用三架無人機進行了實驗，其特點是形狀不規(guī)則，海拔高度變化。子區(qū)域邊界劃定了一個安全區(qū)，車輛不應進入該安全區(qū)以避免碰撞，如圖21所示。

圖21.不規(guī)則形狀區(qū)域的覆蓋路徑規(guī)劃，包括子區(qū)域邊界中的禁飛區(qū)，以避免碰撞。
Valente等人還關注精準農業(yè)，提出了一種名為Harmony Search（HS）的元啟發(fā)式算法，以最大限度地減少不規(guī)則區(qū)域的轉彎次數。該算法基于爵士音樂家的即興創(chuàng)作，其主體是和聲記憶（HM）。HM由一個矩陣組成，其中行由包含可能解的向量組成，而列表示決策變量。成本函數結果放在最后一列。
根據Valente等人提出的方法，矩陣初始化是隨機執(zhí)行的，當第一輪完成時，稱為隨機的迭代開始。根據一定的概率，通過相鄰單元之間的交換來創(chuàng)建新的矢量。如果一個新的組合比最壞的解決方案有改進，它會替換矩陣中的舊向量。否則，矩陣將保持不變。作者將HS方法與Barrientos等人使用的Wavefront算法進行了比較，使用了具有三個子區(qū)域的相同場景，如圖22所示。HS實現(xiàn)了比Wavefront更小的轉彎次數，但計算時間更長。然而，一旦離線執(zhí)行計劃，作者并不認為計算時間是一個問題。

圖22.三種無人機在不規(guī)則形狀區(qū)域的不同覆蓋路徑規(guī)劃方法的比較：（a）Wavefront算法；（b） Harmony Search。
最近，薩達特等人提出了在線非均勻覆蓋路徑規(guī)劃的方法。在這種情況下，無人機可以根據區(qū)域每個部分的重要性在覆蓋期間改變其高度。作者使用樹結構來處理考慮不同分辨率的網格。節(jié)點離樹葉越近，分辨率就越高。Sadat等人介紹了三種探索樹的方法：廣度優(yōu)先策略、深度優(yōu)先和快捷啟發(fā)式方法，而Sadat等提出了一種基于希爾伯特的方法，如圖23所示，并將其與以前的策略和割草機模式進行了比較。當訪問目標區(qū)域時，通過遍歷樹來提高分辨率。通過這種方式，父節(jié)點正在探索的區(qū)域現(xiàn)在正以更高的分辨率被其子節(jié)點完全覆蓋。另一方面，對于非目標區(qū)域，則搜索將在覆蓋樹中向上搜索，并降低分辨率。因此，一架無人機在該地區(qū)周圍行駛，探索不同高度的區(qū)域，以執(zhí)行任務。

圖23.根據每個區(qū)域的重要性，在不同的海拔高度進行覆蓋。節(jié)點離樹葉越近，分辨率就越高。
Santamaria等人討論了在非凸面區(qū)域使用多架異構無人機的高分辨率航空傳感。無人機具有不同的覆蓋范圍和圖像傳感器，因此通過近似單元分解將目標區(qū)域離散為具有不同大小單元的網格，如圖24所示。最初，考慮到無人機的機載傳感器足跡，粗略估計確定了無人機要探索的區(qū)域部分。洪泛技術選擇起始位置并擴展鄰域區(qū)域，直到其達到估計的單元數量。位于區(qū)域外或NFZ內的位置是無效單元格。在第一輪完成后，無符號單元格被尋址到最近的區(qū)域，并執(zhí)行重新平衡以均勻分布單元格。

圖24.通過使用不同大小的單元進行近似單元分解，將感興趣區(qū)域離散為網格。
根據Santamaria等人提出的方法，使用一種算法來計算覆蓋每個子區(qū)域的飛行路徑，以找到自由單元的長距離段，稱為步幅。該算法計算實際位置的所有未探索的相鄰單元的步幅，選擇最長的路徑。選定路徑的最后一個單元格變?yōu)楫斍皢卧?，重復此過程。當沒有未訪問的相鄰單元時，該算法生成從實際位置到最近的未探索單元的軌跡，選擇次要路徑并將相應的單元添加到覆蓋計劃中。還計算返回著陸位置的最短距離。所提出的方法與AMFIS集成在一起，AMFIS由用于實時無人機控制和監(jiān)測的地面控制站組成。
5.2 部分信息
生物系統(tǒng)能夠在自然環(huán)境中適應、進化和生存，其特征是快速反應、不確定性增加和信息受限。由于這種自然系統(tǒng)是穩(wěn)健和復雜的，在過去幾十年中，它們已被建模為計算系統(tǒng)，以解決復雜的優(yōu)化問題和應用場景。因此，出現(xiàn)了由基于自然智能基本方面的算法組成的生物啟發(fā)式方法，如自主決策和群體交互、進化和學習?？紤]到無人機的CPP問題，幾位作者在文獻中探索了不同的方法，包括實時搜索方法、隨機行走、元胞系統(tǒng)、進化計算和群體智能。還討論了考慮信息點的不確定性覆蓋。大多數方法都是基于信息素的，并探索螞蟻的自然行為，以引導車輛通過網格離散化場景。
5.2.1基于信息素的方法
基于信息素的方法在計劃和執(zhí)行之間交替，允許在執(zhí)行此類操作時進行微調。它們的靈感來自于真實螞蟻的行為，它們利用化學軌跡來定位導航。這些方法將工作空間表示為網格，并使用u值與每個環(huán)境單元關聯(lián)。該值表示無人機在場景中移動時留下的信息素標記，即每個位置的訪問量。根據所采用的策略，信息素可以注入和/或從當地提取，隨著時間的推移蒸發(fā)和/或傳播到附近。不同類型的信息素可以代表不同種類的信息，而某些類型的信息素則可以吸引或排斥無人機。
無人機的視野通常限制在相鄰的單元內，因此只能在直接正交的單元內進行傳感和運動，如圖25a所示。在搜索過程中，場景可以離散化為連通圖，如圖25b所示。Sauter等人討論了其中一些方法在軍事環(huán)境中處理不同應用的多功能性。已經提出了這些方法來解決陸地車輛的CPP問題。由于這些方法的計算成本較低，任何自動駕駛汽車都可以適當地使用它們。然而，以前的大多數研究僅限于模擬，只有少數方法解決了真實世界場景中飛行器的情況。

圖25.基于信息素的方法中的環(huán)境表示：（a）視野；（b） 連通圖。
5.2.2實時搜索方法
Nattero等人分析了實時多機器人覆蓋算法的性能。作者探索了經典的啟發(fā)式方法，如邊緣計數、PatrolPGRAPH*、節(jié)點計數和學習實時A*。在陸地機器人的模擬中，根據所需的覆蓋時間和執(zhí)行任務所需的能量對算法進行了評估。四種類型的實驗在不同方面進行，如網格大小、網格拓撲、機器人數量和訪問需求。
節(jié)點計數在模擬過程中優(yōu)于其他解決方案，并在具有四旋翼機和六旋翼機的真實系統(tǒng)中實現(xiàn)。使用機器人操作系統(tǒng)（ROS）實現(xiàn)的非車載控制用于引導車輛發(fā)送目標位置并定期接收車輛的定位信息。通過ETHNOS框架在車載執(zhí)行控制動力學和車輛定位。決策過程集中在車外站，該站使用ROS/ETNOS接口與車輛通信。為了在空中范圍內應用虛擬信息素，需要一個集中的過程，一旦所有車輛都依賴于與地面控制站的通信來執(zhí)行任務，這將降低系統(tǒng)對故障的魯棒性。
5.2.3.隨機游走
Albani等人提出了一種田間覆蓋和雜草測繪方法。所提出的方法包括一種探索策略，該策略使用增強的隨機行走來使用無人機群檢測雜草的存在和數量。每架無人機都將搜索飛機分為兩部分，更傾向于根據效用值探索前方的半飛機。該值由無人機的動量和當前單元格與掃描方向之間的角度差定義，影響關于下一個要訪問的單元格的決定。對于與動量向量對齊的位置，該值會升高。此外，來自鄰近無人機的影響反映在執(zhí)行的運動上，隨機將無人機引導到探索不足的區(qū)域。這是通過計算排斥向量來實現(xiàn)的。這些無人機還相互交換信息，以防止重復覆蓋區(qū)域。最后，無人機群將其成員召集到有希望的區(qū)域，使用吸引向量執(zhí)行雜草測繪。
5.2.4.元胞自動機
Zelenka和Kasanicky最初應用了一種基于元胞自動機的算法來協(xié)調陸地覆蓋任務中的機器人，之后Zelenka和Kasanicky使用該算法來控制勘探和監(jiān)測任務中的兩臺四旋翼機。自適應分散系統(tǒng)與由環(huán)境表示的共享存儲器一起工作。虛擬標記模擬信息素來協(xié)調無人機。地面控制站（GCS）將環(huán)境劃分為虛擬單元，監(jiān)控無人機的位置，并通過發(fā)送新坐標來防止碰撞。盡管作者認為這是一個自適應分散系統(tǒng)，但無人機使用GCS共享全局記憶，并且不能單獨做出決策。
作者還探討了考慮環(huán)境虛擬標記退化的策略，以模擬通信損失。蒸發(fā)或降解的過程包括在某個地方有一段時間沒有人訪問時減少其信息素的數量。然而，這種退化降低了算法的效率，并導致車輛之間發(fā)生大量碰撞。在局部區(qū)域積累大量的信息素也可能導致過度覆蓋問題。
5.2.5.不確定性覆蓋
Lim和Bang提出了一種用于監(jiān)視的航路點規(guī)劃算法。目標區(qū)域具有六邊形網格的形式，并包含信息點（IP），如圖26a所示。每個IP都有一個確定性值，該值量化了信息的可信度。當確定性值顯著時，信息點包含值得信賴的信息，不需要在周邊地區(qū)進行勘探。然而，這種確定性隨著沒有觀測的時間的推移而下降。較低的值表示信息較差，需要在該位置進行新的觀測。

圖26. 信息點表示不確定性的六邊形網格方法：（a）信息點；（b） IP的確定性計算。
該算法使用確定性、距離和重要程度等成本函數來引導無人機并選擇下一個要探索的點。在之前的工作中，作者介紹了有關成本函數的詳細信息。關于確定性成本函數，有必要考慮相鄰IP的平均確定性，將無人機不僅引導到點，而且引導到確定性最低的區(qū)域。A算法用于生成到達使用成本函數選擇的下一點的路徑。作為協(xié)同監(jiān)視任務，為每架無人機分配一個子區(qū)域，以避免覆蓋重疊。
Khan等人提出了一種在協(xié)作搜索中合并分布式信息的方法。多架無人機在感知能力和信息交互方面有幾個限制。此外，傳感器還考慮了具有一定概率的假警報。該任務由一組小型無人機組成，在離散為方形單元的矩形區(qū)域內搜索目標位置。無人機可以在四個不同的方向上進行運動或保持在當前位置。各個無人機可以感知該區(qū)域并更新搜索地圖，同時相互共享局部信息。通過融合當地地圖，飛行器能夠加快搜索速度，同時提高無需合作策略的相關感知能力。
Popovi′c等人介紹了一種使用無人機在精準農業(yè)中進行雜草檢測的信息路徑規(guī)劃（IPP）。作者使用固定期限的方法進行適應性規(guī)劃，在計劃執(zhí)行和重新規(guī)劃之間交替。他們采用兩階段重新規(guī)劃，在尊重運動限制的情況下，不斷完善飛行器的3D路徑。該優(yōu)化是使用協(xié)方差矩陣自適應進化策略（CMA-ES）獲得的。
作者提出了一種用于空中平臺地形監(jiān)測的多分辨率IPP。所提出的方法建立在先前工作中建立的方法之上。但是，該方法不是對雜草占用進行二元分類，而是側重于生物量監(jiān)測。該方法利用在不同高度飛行中收集的所有視覺數據構建了一個概率圖。Popovi′c等人提出并由Popovic等人進一步探索的方法在模擬中針對往返和最先進的IPP算法進行了評估。作者還在AscTec Pelican無人機上運行了他們的IPP方法，通過使用AR標簽模擬雜草分類器，并在DJI Matrice 100上運行，模擬繪制綠色背景上的植被監(jiān)測。
Ramasamy和Ghose提出了一種基于學習的無人機持續(xù)監(jiān)視算法。這個問題可以被描述為一個連續(xù)的CPP，無人機應該不時地探索某個區(qū)域的所有位置，同時最小化這些訪問之間的間隔?？紤]到根據區(qū)域概況增加或減少訪問頻率的必要性，這個問題可能更復雜——有趣的還是有風險的。Ramasamy和Ghose擴展了他們的工作，將更多的注意力集中在已知區(qū)域的優(yōu)先監(jiān)視上。他們探索了一種考慮不同方式的量化優(yōu)先權規(guī)范的方法。此外，他們還提供了進一步的模擬結果，以支持更詳細的分析。
5.2.6.遺傳算法
Paradzik等人探索了數字信息素和進化策略的結合，以協(xié)調多架無人機。工作空間在分配給每架無人機的矩形子區(qū)域中使用遺傳算法（GA）解耦，該算法最初由Holland提出。種群個體攜帶關于頂點坐標和矩形子區(qū)域的寬度/長度的信息。在算法的自然進化過程中，個體經歷了選擇、繁殖和突變階段，以產生新的個體。適合度函數基于包含區(qū)域信息的數字信息素來評估最佳個體（子區(qū)域）。圖27顯示了使用GA創(chuàng)建的子區(qū)域的示例。

圖27.使用GA將感興趣區(qū)域分解為矩形子區(qū)域，并使用來回飛行模式進行覆蓋
作者使用了兩種信息類型：搜索和路徑。搜索信息素對應于區(qū)域覆蓋的不確定性和需要，而路徑信息素指示已經包含在某些車輛路徑中的位置。路徑信息素用于防止碰撞，降低重訪概率。飛行器應該以最大限度地增加搜索信息素的量為目標來跟蹤軌跡，同時最小化路徑信息素的數量?；谛畔⑺氐倪z傳算法只劃分環(huán)境，車輛采用往返運動來覆蓋每個子區(qū)域。此外，每輛車都使用A算法來規(guī)劃從其初始位置到指定子區(qū)域最近頂點的路徑。
考慮到另一項基于GA的工作，提出了一種具有3D結構映射的覆蓋路徑規(guī)劃方法，以處理有障礙物和建筑物的場景。感興趣的區(qū)域是一個離散為網格的多邊形，包含建筑物（黃色）、高大植被（綠色）和禁飛區(qū)（紅色），如圖28a所示。單元格標記有以下值：0表示自由區(qū)域，?1表示禁區(qū)或外部區(qū)域，?2表示需要高度調整的高大植被，?3表示建筑物。使用GA，只考慮自由空間和高度飛行以下有植被的區(qū)域來生成覆蓋路徑。

圖28.目標區(qū)域的網格表示和三維映射方法的主要步驟：（a）標記網格區(qū)域；（b） 結構映射。
在路徑執(zhí)行期間，可以檢測到包含建筑物的相鄰單元，從而觸發(fā)3D映射。在這種情況下，車輛停止覆蓋并圍繞建筑物一定距離進行拍攝，接下來的步驟是：在當前高度（a）懸停，根據建筑物的高度上升/下降（B），改變相機角度（C）并圍繞建筑物飛行（D），如圖28b所示。一旦完成映射，車輛將繼續(xù)原來的覆蓋路徑。圖29顯示了一條完整的路徑，避開了禁飛區(qū)，同時包圍了建筑物。

Darrah等人將Trujillo等人提出的方法擴展到使用多個多旋翼的大面積覆蓋任務。目標區(qū)域被劃分為公平的子區(qū)域，由多架無人機或由一架無人機執(zhí)行多次飛行覆蓋。分區(qū)方法采用了與博弈論相結合的洪泛算法。在這種情況下，每架無人機都是一名參與者，并有一個起始位置。如圖30所示，這些參與者根據預定義的菱形模式輪流淹沒相鄰單元。相應的順序是從左到右，淹沒最近的鄰居。參與者不能淹沒建筑單元或之前被其他參與者占用的單元。子區(qū)域的大小并不相同。較小的子區(qū)域可能包含要繪制的建筑結構，而較大的區(qū)域可能存在回避區(qū)域。因此，分區(qū)方法平衡了任務，并保證了每個分配的無人機的大致工作量。每個子區(qū)域的覆蓋路徑是使用Trujillo等人[76]提出的方法的改進版本獲得的。這些變化確保了多轉子的路徑盡可能接近其起始位置。

圖30.具有起始位置S和有序相鄰單元的洪泛填充圖案將從深藍色洪泛到淺藍色。
Hayat等人提出了一種基于遺傳算法的多目標路徑規(guī)劃（MOPP），用于使用多架無人機的搜救（SAR）任務。該任務由搜索和響應兩個步驟組成。前者通過保證給定區(qū)域的整個覆蓋范圍來監(jiān)測事件（例如，靜止目標）。后者在網絡上傳播檢測更新。在搜索階段發(fā)生的規(guī)劃任務由MOPP算法以集中的方式執(zhí)行，而完成任務的時間由GA最小化。該時間包括發(fā)現(xiàn)目標的時間段和配置通信軌跡的時間段。因此，該方法需要優(yōu)化兩個主要特征，即區(qū)域覆蓋和網絡連接。
5.2.7.蟻群優(yōu)化
Kuiper和Nadjm-Tehrani將蟻群優(yōu)化（ACO）應用于多架無人機的覆蓋。這些無人機共享一個虛擬信息素地圖，通過高信息素率指示最近訪問的區(qū)域。這些信息素具有排斥性，并將無人機引導至未探索的區(qū)域。基于這項研究，Rosalie等人介紹了混沌蟻群覆蓋優(yōu)化（CACOC），這是一種將ACO與混沌動力系統(tǒng)集成到軍事環(huán)境中的監(jiān)視任務中的技術。該方法允許地面軍事系統(tǒng)操作員預測無人機的路徑，同時使其對敵人不可預測。盡管車輛和基地之間不需要通信來跟蹤車輛的位置，但車輛群仍然共享虛擬信息素地圖。Rosalie等人通過使用V-Rep模擬環(huán)境評估CACOC的覆蓋性能，進一步探索CACOC方法。
Cheng等人提出了另一種基于生物啟發(fā)的協(xié)同覆蓋方法。該方法將每輛車的路徑表示為包含控制點的B-B-spline曲線，如圖31a所示。該優(yōu)化問題最大化包括結合四個函數的路徑可取性目標函數：（i）路徑長度，（ii）最小轉向角，（iii）最大俯仰率，以及（iv）實際軌跡在不同無人機軌跡上的疊加。作者認為，無人機總是從左向右移動，因此第一個和最后一個控制點位于該地區(qū)的邊界。ACO算法優(yōu)化中間控制點中的y軸，以最大化覆蓋范圍。在算法迭代過程中，場景中會啟動幾個螞蟻，經過初始點、中間點和最終點。
高斯分布函數表示每只螞蟻在控制點留下的信息素濃度，疊加后形成聯(lián)合分布函數，如圖31b所示。由此產生的函數被重新縮放以生成概率密度函數，該函數指示不同y位置的信息素的量。在隨后的迭代過程中，螞蟻選擇遵循該概率密度函數的控制點位置。該函數有一個信息素蒸發(fā)因子來避免局部最優(yōu)點，并在每次迭代時更新。在算法的最后，包括大量信息素的區(qū)域被選擇為中間控制點，以創(chuàng)建無人機的完整路徑。

圖31.使用具有高斯分布函數的ACO的合作方法：（a）控制點；（b） 高斯分布函數。
6.討論
文獻中的幾位作者已經解決了無人機的覆蓋路徑規(guī)劃問題，探索了具有不同形狀和復雜性的目標區(qū)域。通常，簡單目標區(qū)域，如矩形和凸多邊形，不需要任何離散化方法或分解技術，而是通過往返和螺旋飛行模式進行探索。往返模式通?；谥鬏S定義掃掠方向，并使用90? 進行轉彎操作。在多邊形的情況下，轉彎角度可以往復變化，也可以螺旋變化。通常，這些模式需要較低的計算時間來找到覆蓋路徑，并且易于由空中平臺執(zhí)行。涉及這些平臺的主要問題之一是執(zhí)行覆蓋任務的飛行耐力非常有限。
一些研究試圖最大限度地減少距離、飛行時間或機動，以減少能源消耗。在轉彎機動過程中，無人機應減速、旋轉和加速，從而增加能耗開銷。 另一種選擇是平滑轉彎機動，以保持車輛速度恒定，如Artemenko等人所提出的。最近的工作開發(fā)了最先進的能量感知往返和螺旋算法，主要關注考慮無人機分辨率和能量約束的能量消耗。這些方法采用了一種能量模型來分析不同環(huán)境下的能量行為。因此，優(yōu)化路徑直線部分的速度可以使能耗最小化。表1總結了本文中修訂的CPP方法，考慮到沒有細胞分解技術的目標區(qū)域。該表列出了CPP方法、相應的參考、目標區(qū)域的形狀、用于評估覆蓋模式的性能指標、覆蓋中使用的單個或多個無人機的指示，以及無人機的類型：旋翼（RW）、固定翼（FW）或兩者兼有。

在更大、更復雜的目標區(qū)域中，可以應用精確的細胞分解將場景劃分為子區(qū)域。得到的子區(qū)域可以被不同的掃描方向覆蓋，以獲得最佳覆蓋。在這類區(qū)域中，有可能探索往返覆蓋的替代方案，旨在最大限度地減少分區(qū)之間的距離，如Torres等人所述。根據車輛的相對性能，使用區(qū)域分解也在探索合作策略。在場景中也可以考慮障礙物和禁飛區(qū)，根據任務的不同，可能有必要重新訪問以前探索過的區(qū)域。提出了一種混合精確和近似單元分解的混合分解技術，將目標區(qū)域離散為幾乎與區(qū)域精確形狀匹配的三角形單元。作者采用螺旋狀模式在復雜區(qū)域進行覆蓋。在使用異構飛行器的規(guī)則和不規(guī)則形狀場景中，采用離散方法進行分區(qū)和區(qū)域覆蓋。表2總結了本文中修訂的CPP方法，考慮到通過精確細胞分解技術離散化的目標區(qū)域。表中的聯(lián)機/脫機列指的是如何獲得覆蓋路徑。在離線情況下，在執(zhí)行之前計算整個路徑，而在在線情況下，可以在覆蓋期間計算或修改路徑。
根據目標區(qū)域的復雜性，簡單的飛行模式可能會產生低效的軌跡，需要后處理階段來調整航路點位置和它們之間的角度，以克服這個問題。可能需要花費相當大的計算時間來評估所有不同的旋轉以找到最佳掃描方向。關于螺旋運動，可以在具有較大內角的多邊形中生成較短的路徑，但在更復雜的形式中，算法可能會被卡住或無法完成覆蓋任務。因此，已經提出了基于近似細胞分解的更復雜的方法來無人機覆蓋。在第4節(jié)中，我們決定根據可用信息分類現(xiàn)有方法，以計算和執(zhí)行覆蓋率。當無人機完全了解工作空間，包括區(qū)域和NFZ時，可以在執(zhí)行前的離線階段計算路徑。然而，在某些情況下，由于存在移動目標、障礙物或其他飛行器，無人機不具有關于地圖的完整信息。在這種情況下，無人機應該使用其傳感器收集必要的信息來執(zhí)行任務，通常在計劃和執(zhí)行之間交替。
考慮到全部信息可用，Valente等人提出了基于網格的探索單個無人機波前算法的解決方案，Nam等人使用三次插值進行了進一步優(yōu)化。Barrientos等人介紹了使用多架無人機的合作策略，包括區(qū)域細分和分配。Valente等人提出了一種名為Harmony Search（HS）的元啟發(fā)式算法，以最大限度地減少不規(guī)則區(qū)域的轉彎次數，并將其與Barrientos等人提出的方法進行了比較。根據每個子區(qū)域的重要性或根據無人機上不同的傳感器類型，通過在不同高度的飛行，可以用不同的分辨率覆蓋目標區(qū)域的各個部分。
生物啟發(fā)式協(xié)同技術一直在處理只包含部分信息的環(huán)境。Nattero等人在模擬中考慮了實時搜索方法，并在實際飛行中應用了節(jié)點計數算法。Albani等人引入了一種增強的隨機行走策略，用于野外覆蓋和雜草測繪，無人機更喜歡探索與動量矢量對齊的當前位置前方的區(qū)域。Zelenka和Kasanicky以及Zelenka and Kasanicky提出了一種細胞自動機方法，但存在信息素降解和缺乏蒸發(fā)的問題。降解可能會導致無人機之間的通信故障，而過量的信息素可能會堵塞車輛所在區(qū)域的某些位置。一些方法考慮了覆蓋任務期間的局部不確定性，而另一些方法則探索分布式信息合并，無人機直接交換信息以加快搜索并提高性能。還探索了連續(xù)無人機軌跡中的路徑重新規(guī)劃，其中作者將接收到的視覺信息融合到單個概率圖中。
Ramasamy和Ghose提出了另一種使用學習算法的連續(xù)覆蓋方法，考慮到優(yōu)先監(jiān)控問題。在這個問題中，飛行器應該增加目標區(qū)域的訪問頻率，并降低風險區(qū)域的訪問次數。還探索了與信息素策略相結合的遺傳算法，而使用信息素地圖的ACO被引入無人機的覆蓋任務。表3總結了本文中修訂的CPP方法，考慮到通過考慮全部和部分信息的近似單元分解技術離散化的目標區(qū)域。雖然沒有分解或與精確單元分解相結合的CPP方法可以由旋翼、固定翼或兩種類型的飛行器執(zhí)行，但使用近似單元分解的CPP方法幾乎完全采用旋翼無人機。這是因為旋轉翼在離散成網格的場景中轉彎時具有機動性優(yōu)勢。固定翼具有機動性限制，需要較大的轉彎空間。

為解決CPP問題而提出的算法通常涉及根據性能度量獲得覆蓋路徑的規(guī)劃階段。在處理固定翼無人機時，該方法還必須考慮此類飛行器的運動約束，以便規(guī)劃可行的軌跡。然而，這些方法沒有考慮重要的控制任務，如路徑跟蹤或軌跡跟蹤，只信任無人機的內部控制器在實際飛行中執(zhí)行計劃的路徑。
7.總結
本文介紹了無人機覆蓋路徑規(guī)劃的概況，涉及簡單的幾何飛行模式，如來回和螺旋，以及考慮目標區(qū)域的全部和部分信息的更復雜的基于網格的解決方案。綜述的覆蓋率方法根據Choset定義的經典分類法進行分類；無分解，精確和近似的細胞分解。該研究考慮了目標區(qū)域的不同形狀，如矩形、凹面和凸面多邊形。我們還介紹了通常用于評估覆蓋任務成功與否的性能指標。
無人機的續(xù)航能力有限是執(zhí)行更復雜的覆蓋任務需要克服的主要問題。一些作者使用多個飛行器來提高此類任務的覆蓋性能，將長時間、高能量需求的飛行劃分為更可行的飛行。然而，這種技術通常需要計算復雜性來解決協(xié)調和通信問題。這種合作環(huán)境仍然缺乏更穩(wěn)健的解決方案來更自主地處理問題。目標區(qū)域通常使用集中決策過程進行離散、劃分并分配給團隊成員。此外，無人機和地面控制站之間的通信需要進行協(xié)調，這對故障魯棒性較差，在現(xiàn)實世界中也不可行。
所提出的方法旨在最小化路徑長度、任務執(zhí)行時間和轉彎機動次數，以間接節(jié)省能源。然而，在某些情況下，一旦較短的路徑可能包含消耗更多能量的更突然的機動，則路徑長度和能量消耗等性能指標可能會發(fā)生沖突。正如Di Franco和Buttazzo以及Cabreira等人所述，應考慮其他問題，如動力學、轉彎角度和最佳速度，以最大限度地減少能源消耗。但這些能量感知方法仍然局限于僅考慮簡單飛行模式的常規(guī)場景。
我們最近提出了一種適用于規(guī)則區(qū)域的最先進的能量感知螺旋覆蓋算法，目前我們正在使用基于網格的方法來解決更復雜的場景。此外，我們還在開發(fā)一種分散的方法，用于考慮通信和能源限制的無人機合作覆蓋路徑規(guī)劃。未來，我們打算在無人機之間開發(fā)一種高效的同步機制，以避免需要地面控制站。最后，我們在基于物理的能量模型中研究了動力學和外部環(huán)境條件對能量感知任務規(guī)劃的影響。通過我們目前的調查和未來在覆蓋路徑規(guī)劃問題上的工作，我們希望推進自動駕駛飛行器在現(xiàn)實世界中最先進的可行任務規(guī)劃方法。文章來源地址http://www.zghlxwxcb.cn/news/detail-773386.html

到了這里，關于無人機覆蓋路徑規(guī)劃綜述的文章就介紹完了。如果您還想了解更多內容，請在右上角搜索TOY模板網以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網！