面向城市环境下多无人机三维航迹规划的时空协同改进多策略蜣螂优化算法(Spatio-Temporal Collaborative Improved Multi-Strategy Dung Beetle Optimization, STC-IMSDBO)

《Aerospace》：A Spatio-Temporal Collaborative Improved Multi-Strategy Dung Beetle Optimization Algorithm for 3D Path Planning of Multiple Unmanned Aerial Vehicles in Urban Environments

　　

摘要：密集城市空域中多无人机(multi-Unmanned Aerial Vehicle, multi-UAV)协同三维路径规划较为困难，其成因并非单一因素，建筑物、飞行限制区、移动障碍物及无人机间耦合共同作用，且搜索空间随场景拥挤度迅速增长。标准群智能优化器虽可求得路径，但通常存在初期可行性差、后期精细化不足及环境变化后局部重规划能力弱等问题。为此，研究人员提出了一种用于城市多无人机路径规划的时空协同改进多策略蜣螂优化算法(Spatio-Temporal Collaborative Improved Multi-Strategy Dung Beetle Optimization, STC-IMSDBO)。该框架融合五个关联模块：可行空域种群初始化、时空变步长搜索、多因子自适应权重、基于局部博弈的冲突处理及滚动时域重规划(Rolling-Horizon Replanning, RHRDE)。采用归一化多目标代价函数平衡飞行效率、平滑性、避障、空域合规性及协同安全性。算法在四种模拟城市场景下测试并与六种代表性方法对比。结果表明，STC-IMSDBO生成更短可行航迹、能耗更低、收敛迭代更少且在测试中保持更优协同安全性，可作为物流、巡检及应急响应等密集城市任务的有用规划方案，但仍需更大规模机群实时性测试及实地验证。

论文解读：面向城市环境下多无人机三维航迹规划的时空协同改进多策略蜣螂优化算法(STC-IMSDBO)

一、研究背景与问题提出

随着城市低空物流配送、巡检及应急救援需求增长，多无人机(multi-UAV)协同操作逐渐取代孤立单机飞行以缩短任务时间并扩大服务范围。然而城市环境存在高大建筑造成三维可行空域碎片化、禁飞区与限飞区重叠、低空动态移动障碍物（鸟类、其他航空器）干扰，加之多机间需保持时空分离距离、通信连通性及协调到达时间窗，使得多无人机三维路径规划成为高维强约束非线性优化问题。传统图搜索法（A*、Dijkstra、快速扩展随机树RRT/Rapidly-exploring Random Tree及其变种）在密集多机场景下易出现节点爆炸、维度灾难及无法编码时空协同约束；深度强化学习(Multi-Agent Deep Deterministic Policy Gradient, MADDPG; Multi-Agent Proximal Policy Optimization, MAPPO)存在样本利用率低、训练难、收敛不稳定且难保证全局最优；标准蜣螂优化(Dung Beetle Optimization, DBO)算法虽结构简单、收敛快，但直接移植存在五大缺陷——随机初始化产生大量障碍物内无效个体、固定迭代步长难兼顾全局协同与局部避障致易陷局部最优、窃粪蜣螂采用固定权重未引入多机协同约束导致高维稳定性差、无专用多机协同避碰机制致航迹交叉碰撞、静态迭代框架无法响应动态障碍及实时重规划。现有DBO改进多聚焦单无人机场景，未针对城市多机协同约束进行可行空域初始化、协同避碰及动态重规划优化。因此，研究人员开展了面向城市密集低空多无人机三维路径规划的STC-IMSDBO算法研究，并在《Aerospace》发表，旨在填补上述空白并提供具明确约束处理的确定性几何投影规划框架。

二、主要关键技术方法

研究人员建立含静态建筑（立方体建模）、空域管制区（禁飞区No-Fly Zone与限飞区Restricted-Fly Zone）、动态障碍物（运动球体模型）的数字孪生三维城市环境；定义单机避障、多机防撞、空域合规、通信距离及时间协调约束；构建集中-分布式多目标代价函数，含单机能耗（平飞+姿态调整+垂直起降）、航迹平滑度（平均曲率）、障碍物风险惩罚、空域违规惩罚及多机协作代价（碰撞风险、通信中断、时间协调偏差），经归一化加权求和。提出STC-IMSDBO算法，核心五大改进策略：①可行空域约束自适应混沌拉丁超立方抽样(Airspace-Constrained Adaptive Chaotic Latin Hypercube Sampling, AS-ACLHS)生成初始种群；②时空耦合变步长黄金正弦迭代(Spatio-Temporal Coupled Variable Step Size Golden Sine Iteration, ST-VSSGSI)替代原切向舞蹈行为；③多因子耦合协同自适应权重(Multi-Factor Coupled Synergistic Adaptive Weight, MFCSAW)更新窃粪蜣螂位置；④分布式协同避障非合作博弈位置更新(Non-Cooperative Game Position Update, NCGPU)插入迭代细化过程获局部纳什均衡近似解；⑤动态环境滚动时域重规划(Rolling Horizon Replanning for Dynamic Environment, RHRDE)模块按感知动态障碍局部修正航迹。算法伪代码含全局规划主循环与动态环境滚动调用子程序，三次B样条插值平滑航迹，复杂度分析与收敛性讨论基于马尔可夫随机过程及渐近改进倾向说明。

三、研究结果

5.1 实验环境设置

在MATLAB R2023a于Intel Core i9-12900H工作站构建低、中、高及超高复杂度（含动态障碍）四级城市场景，对比多无人机自适应混沌灰狼优化(MACGWO)、MDBO（原多机DBO）、多无人机鲸鱼优化(MWOA)、MAPPO、MADDPG及多无人机超启发式鲸鱼优化(MHHWOA)，各算法独立运行50次取均值，评价指标涵盖航迹长度、收敛迭代、平滑度、适应度、能耗、多机碰撞率、空域违规率、时间协调误差及动态避障成功率，高复杂场景加做Wilcoxon秩和检验。

5.2 对比实验

5.2.1 航迹长度与能耗比较：四场景下STC-IMSDBO平均航迹长最短（126.37 m、289.52 m、512.46 m、986.37 m），较对比法缩短6.12%~36.24%；平均飞行能耗最低（826.54 kJ、1758.32 kJ、3246.75 kJ、6584.29 kJ），降低8.02%~33.12%，表明算法减少拥堵与协同分离导致的多余绕行且未引入高代价机动。

5.2.2 收敛速度比较：四场景收敛迭代数分别为38、59、82、108（均值71.75），较对比法减少14.10%~39.47%，说明改进更新机制助搜索更早进入高质量可行域。

5.2.3 航迹平滑度与综合适应度比较：STC-IMSDBO平均曲率最低（0.0135），较对比法降14.56%~40.53%；归一化多目标代价函数值最小（0.218），较对比法降10.29%~34.93%，证明优势不局限于单一指标。

5.2.4 多无人机协同性能比较：STC-IMSDBO碰撞率0%、空域违规率0%、时间协调误差0.62 s，对比法碰撞率2.2%~12.6%、违规率3.4%~15.2%、时间误差1.08~2.84 s，显示NCGPU与约束处理有效维持分离与合规性。

5.2.5 动态环境避障性能比较（超高复杂度）：STC-IMSDBO动态避障成功率100%，平均航迹986.37 m、能耗6584.29 kJ；对比法成功率82.2%~96.2%且航迹更长能耗更高，验证RHRDE模块在密集城市场景可保持可行局部重规划。

5.3 消融实验（高复杂度场景）

以MDBO为基线，分别单独引入五模块及两模块组合(AS-ACLHS+ST-VSSGSI)与全模型对比。AS-ACLHS降无效初始个体使航迹略短(552.37 m vs 564.82 m)及碰撞率降至2.4%；ST-VSSGSI显著加快收敛(94代 vs 112代)并降曲率(0.0158)；MFCSAW稳化综合代价(适应度0.252)；NCGPU使碰撞率降至0%且航迹(548.35 m)与适应度(0.251)改善；RHRDE在静态场景改善有限(560.27 m, 110代, 3.0%)但在动态测试起作用；双模块组合(528.46 m, 88代, 1.8%碰撞)优于单模块；全STC-IMSDBO最优——航迹512.46 m(降9.27%)、收敛82代(降26.79%)、曲率0.0135(降23.30%)、适应度0.218(降17.42%)、碰撞率0%，证实五模块针对不同瓶颈互补增效。

5.4 统计检验

高复杂度场景对航迹长、收敛迭代数、平均曲率、适应度做Wilcoxon秩和检验(α=0.05)，STC-IMSDBO与六种对比法所有p值均<0.05（最接近竞争法MHHWOA p=0.031~0.029），性能差异具统计显著性。

5.5 真实城市数字孪生仿真测试（上海陆家嘴核心区）

基于真实地形建1000 m×1000 m×600 m含42栋建筑、8禁飞区、6限飞区、8架无人机物流场景，对比MDBO/MWOA/MHHWOA。STC-IMSDBO总航迹最短(1288.7 m vs 1584.2/1512.6/1425.8 m)，规划耗时8.45 s(vs 18.52/14.35/12.18 s，较MDBO降约54.4%)，避障成功率99.8%(vs 72.4%/81.5%/91.2%)，最小安全距离20.6 m(vs -3.2/6.4/12.8 m)，平均能耗96.2 kJ(vs 142.5/133.8/115.4 kJ)，表明算法在真实密集城市布局中保持较短航迹、较高安全裕度及较低计算耗时。

5.6 CEC 2017基准测试

选取单峰、多峰及复合函数(D=30)测通用寻优性。STC-IMSDBO在F1/F3/F4/F6/F30上均值与标准差均低于对比法（例F1: 均值3.12E-08, 标准差2.45E-09; MHHWOA近算法: 均值1.58E-06, 标准差8.32E-08），证实改进搜索算子维持探索与开发平衡及稳定性，但不直接等同飞行安全验证。

四、讨论与结论翻译

研究人员指出STC-IMSDBO在模拟中表现出更短可行航迹、更低能耗、更平滑轨迹及更优协同安全性；消融实验表明五模块针对不同规划瓶颈互补增效；纳什均衡讨论限于局部投影假设，收敛性为渐近倾向非有限时间全局最优证明；仍需更大机群运行时测试及实飞验证。该算法可作为密集城市多机共享约束三维空域的有用规划框架，后续需硬件在环测试、权重敏感性分析及真实飞行验证。

研究结论原文总结翻译：本文从实用角度研究城市多无人机路径规划，提出时空协同改进多策略蜣螂优化算法(STC-IMSDBO)，融合可行空域初始化、变步长搜索、自适应权重、局部博弈分离处理及滚动时域重规划。在报道的仿真中，该方法较对比方法生成更短可行路径、能耗更低、轨迹更平滑且协同安全性更好；消融结果表明性能增益非来自单一修改，五模块作用于不同瓶颈且联合优于单独使用。当前结果有明确适用范围——均衡讨论为局部及依赖假设，收敛讨论为渐近而非有限时间证明，缺更大机群实时评估与室外验证。这些局限不否定结果但界定下一阶段验证。现阶段STC-IMSDBO可视作密集城市需多机共享约束三维空域任务的有用规划框架，下一步应开展硬件在环测试、更广权重敏感性分析及传感与通信不确定下实飞验证。