Path Refinement for Large-Scale Heterogeneous Multi-UAV Coverage

方法

基于图建模，将现有解转化为HMCPP解，结合螺旋路径精化与成本平衡策略。

发现

在大规模真实地图40架无人机场景下，HCB的完工时间较四种启发式基线提升6.37%–33.82%，较

机会点

可将HCB框架与农田多光谱/激光雷达异构载荷协同采集结合，研究作物表型监测中的动态重规划与能耗均衡。

无人机（Unmanned Aerial Vehicles, UAVs）的出现将静态无线传感器网络（Wireless Sensor Networks, WSNs）转变为动态移动感知网络，从而能够为监视和精准农业等应用实现大规模数据采集。在这些任务中，搭载机载传感器（如摄像头、多光谱传感器或激光雷达单元）的多架异构无人机必须协同完成区域覆盖。受异构多机器人覆盖路径规划（Heterogeneous Multi-robot Coverage Path Planning, HMCPP）问题支配的规划路径效率直接影响任务成败。然而，现有的HMCPP方法往往受限于过高的计算复杂度或次优的路径效率。为应对这一挑战，本文从图论视角对HMCPP问题进行建模，并引入一种名为异构代价均衡（Heterogeneous Cost Balancing, HCB）的新框架，以高效生成高质量解。HCB通过将细粒度规划与代价均衡策略相结合，将现有解转化为HMCPP解。具体而言，所提出的细粒度规划方法对传统螺旋路线进行细化，减少路径冗余并提升覆盖效率。实验结果表明，HCB在大多数实例中优于基线方法，同时保持较高的计算效率。值得注意的是，在大规模真实地图（366 × 376，40架无人机）上，HCB相较于四种基于启发式的基线方法，在完工时间（makespan）上分别实现了33.82%、9.79%、6.37%和12.34%的改进，相较于基于混合整数规划（MIP）的方法实现了86.66%的改进。