Proactive Charging Strategy-Based Efficiency Optimization for Multi-UAV Collaborative Planning in Large-Scale Open Environments

doi:10.1109/tase.2026.3712667

2026-07-13

PRE

DOI：10.1109/tase.2026.3712667

原文链接

原文求助

摘要

En 中文

无人机有限的电池容量对大规模开放环境中多无人机协作的可持续性和可扩展性构成了根本性约束。一种有前景的解决方案是将电池充电操作纳入任务规划阶段。然而，许多考虑充电的规划器仍假设完全充电或在路由后插入充电，这可能在非线性电池充电动力学下错失路由-充电权衡。本文提出了一种面向自主无人机群的协作式路由规划框架，集成了主动充电策略。具体而言，将物理充电站扩展为一组扩展充电点，每个点关联预定义的目标荷电状态（SoC），并将充电决策嵌入规划过程中，使目标SoC选择作为紧凑的离散路由决策处理，从而形成基于主动充电策略的车辆路由问题（PCS-VRP），捕捉任务执行与能量充电的内在耦合。为高效获取PCS-VRP的高质量解，开发了一种基于深度强化学习的路由规划（DRL-RP）算法，采用具有异构注意力机制的Transformer架构，以建模无人机状态、任务航点及扩展充电点在顺序路由构建中的交互。仿真和实地实验表明，DRL-RP在所有对比方法中实现最短总任务时间，在大规模仿真中减少总任务时间超过10%，在三个实际场景视觉覆盖试验中分别较Gurobi基线减少11.39%、27.19%和40.52%。实践者注—本文针对大型开放环境下多无人机在续航约束下的持续运行挑战。传统规划通常先优化飞行路线再调整充电策略，忽略了路由与充电决策的紧密耦合。相比之下，本文通过构建PCS-VRP并将充电决策直接集成到协作规划中，采用基于Transformer架构与异构注意力的DRL-RP求解。实际视觉覆盖实验证明，集成主动充电策略的协作规划显著提升任务效率。该方法可扩展至基础设施巡检、应急响应和智能物流等多样化场景下的能量受限多机器人系统。

Keyword:

Multi UAVs

collaborative planning

proactive charging strategy

deep reinforcement learning