多无人机协作路由！探索城市交通监控的动态无人机路径规划框架！

0.这篇文章干了啥？

这篇文章提出了一种基于无人机（UAV）的动态路由框架，用于高效且适应性强的长期城市交通监控。框架通过将每个多无人机单次飞行路由问题建模为TAOP-DP问题，利用现有的自动驾驶车辆（GV）作为无人机的动态充电站，并将复杂的多次飞行问题分解为单次飞行问题。通过考虑实时交通需求和重访间隔的动态权重，框架在修改后的Sioux Falls网络上进行了测试，并与三种基准模型进行了比较。实验结果表明，所提出的框架具有较强的适应性、鲁棒性和稳定性，能够准确生成宏观基本图（MFD），并有效支持网络级交通监控和管理应用。

下面一起来阅读一下这项工作~

1. 论文信息

论文题目：A Dynamic Unmanned Aerial Vehicle Routing Framework for Urban Traffic Monitoring

作者：Yumeng Bai and Yiheng Feng

作者机构：Lyles School of Civil and Construction Engineering, Purdue University

论文链接：https://arxiv.org/pdf/2501.09249

2. 摘要

无人机（UAV）因其快速、经济高效、广阔的视野以及不受交通拥堵限制的优势，在城市交通监控中具有巨大潜力。然而，其有限的飞行时间在长期监控任务中对可持续充电策略和高效路径规划提出了关键挑战。此外，现有的长期监控方法通常忽略了城市交通网络动态变化的特点。在本研究中，我们提出了一种新颖的动态无人机路径规划框架，用于长期、全网络的城市交通监控，利用现有的地面车辆（如公共交通巴士）作为移动充电站，同时不影响其正常运营。为应对涉及多次飞行的长期监控场景的复杂性，我们将问题分解为易于管理的单次飞行任务，其中每次飞行被建模为具有递减收益的团队弧面向问题（TAOP-DP），目标是最大化时空网络覆盖率。在飞行之间，我们自适应地更新边权重，以融入实时交通变化和重新访问间隔。我们通过在修改后的苏福尔斯网络中进行大量微观模拟，在静态和动态需求水平以及不同历史信息可用性场景下验证了该框架。比较结果表明，当历史信息不完整或缺失时，我们的模型相较于三种基线方法表现更优。此外，我们证明了该监控框架能够捕捉网络范围的交通趋势并构建准确的宏观基本图（MFD）。这些发现表明了所提动态无人机路径规划框架的有效性，突出了其在高效可靠的长期交通监控中的适用性。我们的方法在捕捉MFD方面的适应性和高精度表明其在全网络交通控制和管理应用中的潜力。

3. 效果展示

MFD：平均流量与速度的比较。比较真实数据、我们模型捕获的MFD和基准MFD。
(a) OTOP-RV基准；
(b) OTOP-RV基准，覆盖率为100%；
(c) 线性基准；
(d) 无信息基准。

拥堵动态在MFD滞后效应中的比较：
(a) 早高峰和非高峰时段的真实MFD；
(b) 下午高峰和非高峰时段的真实MFD；
(c) 早高峰和非高峰时段的构建MFD；
(d) 下午高峰和非高峰时段的构建MFD。

4. 主要贡献

• 提出了一个用于长期交通监控的动态无人机路径规划框架，利用现有的地面车辆作为无人机的移动充电站，在不影响地面车辆运营的情况下显著提高成本效益并扩大监控范围。
• 将单次飞行的无人机路径规划问题建模为具有递减收益的弧面向团队探险问题（TAOP-DP），优化时空网络覆盖率，并开发了一种基于实时交通数据和信息衰减的自适应边优先级更新的新型启发式算法。 推荐课程： 零基础入门四旋翼建模与控制(MATLAB仿真)[理论+实战] 。
• 通过微观仿真评估了无人机路径规划算法的性能，证明了该方法在多种场景下的鲁棒性和适用性，为地面车辆和无人机之间的未来合作奠定了基础。
• 将基于无人机的交通监控从链路级精度扩展到网络级性能。验证结果表明该方法在生成宏观基本图（MFD）方面的准确性和有效性，为基于 MFD 分析的实时交通管理策略提供了基础。

5. 基本原理是啥？

1. 将复杂问题分解为单次飞行问题

• 多无人机路径规划的总体问题被分解为独立的单次飞行问题，从而降低了解决问题的复杂性。
• 每次飞行的路径规划被建模为 时间约束的到达规划问题（TAOP-DP） ，这是一个优化问题，旨在在一定时间限制内为无人机找到最优路径。

• 无人机的飞行续航时间受到电池容量的限制，而地面车辆（GVs）被设计为无人机的充电站。
• 通过动态监测地面车辆的位置，无人机能够高效规划与GV的会合点，实现中途充电，而不会影响GV的正常运行。

• 路径规划模型中引入了动态权重（如实时交通需求水平和重访间隔），使得无人机可以根据网络需求变化动态调整路径。
• 动态权重的设置能够优先覆盖高需求区域，从而提高监测效率。

• 通过利用实时数据（如无人机采集的交通信息），该框架可以在飞行过程中动态调整路径和目标区域，适应交通需求的变化。
• 在不确定性场景下（如历史信息缺失或需求波动），框架仍然能够保持鲁棒性和适应性。

• 宏观基本图（MFD）是描述网络级交通状态的重要工具。
• 无人机实时采集的数据用于构建精确的MFD，从而支持基于MFD的交通管理策略（如区域分割和外围控制）。

• 该框架可以与现有的固定传感器（如雷达或激光雷达）协作，避免重复监测区域，从而提升整体效率。
• 无人机与联网车辆（CV/CAV）可以协作，进一步实现信息共享与联合优化。

6. 实验结果

1. 实验设置与测试环境

• 框架在修改后的 Sioux Falls网络 上进行了微观仿真测试。
• 测试考虑了多种条件，包括 静态需求 、 不同的历史信息 以及 变化的交通需求 。此外，还针对 缺乏历史信息 或 信息不完整 的场景进行了实验。

• 将所提出的框架与 三种基准模型 进行比较。基准模型分别为：
• 结果表明，所提出的框架在所有测试设置下都表现出 较强的适应性 、 鲁棒性 和 稳定性 。

1. 无人机没有路径优化的方案
2. 基于历史信息的传统路径规划方法
3. 基于静态需求的路径规划方法

• 在 静态需求 的情形下，框架能够高效地进行路径规划，保持高效的无人机监测。
• 在 历史信息变化 的情况下，即使历史信息有所不同，框架依然能够做出良好的适应，确保路径规划不受过多影响。