[论文解读] Cooperative Planning for Fuel-constrained Aerial Vehicles and Ground-based Refueling Vehicles for Large-Scale Coverage

Parikshit Maini, Kaarthik Sundar+2 more|arXiv (Cornell University)|May 11, 2018

Robotic Path Planning Algorithms参考文献 4被引用 11

一句话总结

本文提出了一种两阶段协作规划框架，用于燃料受限的无人机（UAV）与地面加油车（RV）协同，以实现大规模空域覆盖。首先，考虑UAV的燃油限制和速度差异，在道路网络上识别出可行的加油站点；随后，利用混合整数线性规划（MILP）与启发式方法联合优化UAV与RV的路径，最小化UAV总行驶距离，同时确保任务可行性与及时加油。

ABSTRACT

Low cost Unmanned Aerial Vehicles (UAVs) need multiple refuels to accomplish large area coverage. The number of refueling stations and their placement plays a vital role in determining coverage efficiency. In this paper, we propose the use of a ground-based refueling vehicle (RV) to increase the operational range of a UAV in both spatial and temporal domains. Determining optimal routes for the UAV and RV, and selecting optimized locations for refueling to aid in minimizing coverage time is a challenging problem due to different vehicle speeds, coupling between refueling location placement, and the coverage area at each location. We develop a two-stage strategy for coupled route planning for UAV and RV to perform a coverage mission. The first stage computes a minimal set of refueling sites that permit a feasible UAV route. In the second stage, multiple Mixed-Integer Linear Programming (MILP) formulations are developed to plan optimal routes for the UAV and the refueling vehicle taking into account the feasible set of refueling sites generated in stage one. The performance of different formulations is compared empirically. In addition, computationally efficient heuristics are developed to solve the routing problem. Extensive simulations are conducted to corroborate the effectiveness of proposed approaches.

研究动机与目标

• 解决燃料受限的UAV在需要多次加油的情况下覆盖大面积区域的挑战。
• 通过使用移动式地面加油车（RV）替代固定加油站，提升运行效率。
• 在尊重燃油限制、速度差异与道路网络约束的前提下，联合优化UAV与RV的路径。
• 通过协同规划最小化UAV总行驶距离与覆盖时间。

提出的方法

• 第一阶段使用基于TSP的启发式方法与修复算法，在道路网络上计算出最小可行的加油站点集合，确保UAV能够及时加油并抵达所有目标点。
• 第二阶段将UAV-RV联合路径规划问题建模为多个混合整数线性规划（MILP）模型，采用基于边与基于节点的两种公式，以最小化UAV行驶距离。
• 采用分支定割框架求解MILP模型，并利用启发式解作为热启动，以提升收敛速度。
• 开发了一种计算高效的基于TSP的启发式方法，用于快速生成解，特别适用于实时或时间敏感型任务。
• 结果表明，基于边的MILP公式相比基于节点的变体能产生更紧的下界，从而提升解的质量。
• 通过在不同道路网络与任务规模下进行大量仿真，评估了性能表现。

实验结果

研究问题

• RQ1 如何在道路网络上计算出最小可行的加油站点集合，以在燃油与速度约束下实现UAV对大范围区域的覆盖？
• RQ2 在满足燃油与时间约束的前提下，哪种MILP公式最有效地联合优化UAV与RV的路径？
• RQ3 基于边与基于节点的MILP公式在解的质量与计算效率方面有何对比？
• RQ4 当精确的MILP方法随问题规模增大而难以扩展时，快速启发式方法能否提供高质量的解？

主要发现

• 在所有测试参数下，基于边的MILP公式始终比基于节点的公式获得更低的相对间隙（即更高的解质量）。
• 基于节点的公式因维度更低而计算更高效，但产生的解具有更高的相对间隙，表明其下界更松散。
• 基于TSP的启发式方法可在微秒级别内生成可行解，在速度与解质量上均优于贪心算法。
• 由于约束数量庞大且UAV与RV路径之间存在强耦合关系，使用启发式解作为MILP求解器的热启动并未提升收敛性或解质量。
• 随着实例规模增大，解质量迅速下降，尤其在目标点到道路平均距离较高的道路网络中更为明显。
• 对于时间敏感型任务，基于启发式的方案极为有效，即使下界不够理想，仍能提供快速且接近最优的解。