Planungsmethode für Polizeiunfall-UAV-Flugrouten basierend auf verbesserter PSO mit AFS und HJS

Intelligentere Augen am Himmel

Polizeikräfte setzen zunehmend auf kleine unbemannte Fluggeräte — Polizeidrohnen — um belebte Straßen zu überwachen, nach Vermissten zu suchen und auf Notfälle zu reagieren. Für eine Drohne ist die Frage „Wohin als Nächstes?“ jedoch nicht trivial: Sie muss mehrere Orte schnell anfliegen, Flugverbotszonen umgehen und die Batterielaufzeit schonen, und das alles im dichten Luftraum der Stadt. Diese Studie stellt eine neue automatische Methode zur Planung solcher Flugrouten vor, damit Polizeidrohnen ihre Aufgaben schneller und sicherer erfüllen können, selbst in komplexen städtischen Umgebungen.

Die Herausforderung, eine bessere Route zu finden

Stellen Sie sich ein Streifenfahrzeug vor, das über Staus und Gebäude hinwegspringen kann — ungefähr das kann eine Polizeidrohne leisten. Dennoch muss ihre Route sorgfältig gewählt werden. Bestehende Methoden zur Pfadplanung aus Robotik und künstlicher Intelligenz helfen zwar, bringen aber jeweils Abwägungen mit sich. Manche suchen gründlich, benötigen dafür aber zu viel Zeit, andere sind schnell, bleiben aber in mittelmäßigen Lösungen hängen. Die Polizeiarbeit fügt zusätzliche Komplikationen hinzu: Die Drohne muss möglicherweise viele Ziele anfliegen, sich um eingeschränkten Luftraum herum bewegen und sich an veränderliche Situationen anpassen. Die Autoren konzentrieren sich auf diese spezielle Variante des Routenplanungsproblems und nennen sie das PolizeiuAV-Routenplanungsproblem, kurz PU3P.

Ideen aus Vogelschwärmen übernehmen

Um PU3P anzugehen, bauen die Forscher auf einer populären Optimierungsmethode namens Particle Swarm Optimization auf. Bei diesem Ansatz durchstreifen viele einfache virtuelle „Partikel“ einen Suchraum, ähnlich wie Vögel in einem Schwarm über ein Feld ausfliegen, um Futter zu finden. Jedes Partikel merkt sich seinen bisher besten Punkt und orientiert sich am besten Punkt, den die Gruppe gefunden hat. Über viele Iterationen tendiert der Schwarm dazu, sich vielversprechenden Regionen zuzubewegen, die hier guten Flugrouten entsprechen. Klassische Varianten dieser Methode wurden jedoch hauptsächlich für glatte, kontinuierliche Probleme entwickelt, nicht für die diskreten Sequenzen von Wegpunkten, die eine Drohnenroute definieren. Außerdem neigen sie dazu, zu früh in suboptimalen Lösungen stecken zu bleiben.

Zwei Anpassungen für schärfere Suche

Die Arbeit führt zwei zentrale Anpassungen ein, um diese schwarmähnliche Suche zu verbessern. Die erste, eine adaptive Faktorstrategie, verändert schrittweise, wie stark Partikel ihre vorherige Bewegung in den nächsten Schritt mitnehmen. Früh erzeugt das breite Exploration; später begünstigt es das Feintuning um vielversprechende Kandidaten. Die zweite Anpassung, die halbe Sprungstrategie genannt wird, stupst periodisch einige Partikel teilweise in Richtung der bislang besten Positionen, anstatt sie völlig eigenständig umherwandern zu lassen. Zusammen erzeugen diese Strategien einen verbesserten Schwarm, benannt AFS‑HJS‑PSO, der sowohl weit erkunden als auch schnell einkreisen kann. Die Autoren adaptieren diesen verbesserten Schwarm anschließend so, dass er die schrittweisen Sequenzen von Zielbesuchen im PU3P handhabt, und definieren eine Fitnessfunktion, die die Gesamtreiseentfernung einer Polizeidrohne beim Besuch aller zugewiesenen Orte erfasst.

Die neue Methode auf die Probe stellen

Um zu prüfen, ob ihr Ansatz sich wirklich auszahlt, vergleichen die Forschenden AFS‑HJS‑PSO mit mehreren bekannten Wettbewerbern: einer Standard‑Schwarm‑Methode, einem genetischen Algorithmus, der von der Evolution inspiriert ist, Simulated Annealing aus der Metallurgie und einem klassischen nichtlinearen Optimierer. Zuerst testen sie alle auf 20 standardisierten mathematischen Benchmark‑Problemen, die häufig zur Bewertung von Suchalgorithmen verwendet werden. In den meisten dieser Tests erreicht der neue Schwarm bessere Lösungen, findet sie schneller oder tut dies konstanter. Anschließend wenden sie die Methoden auf das tatsächliche Routing‑Problem für Polizeidrohnen an und führen jede Methode 30 Mal mit der gleichen Menge an Zielorten aus. Der verbesserte Schwarm findet erneut kürzere durchschnittliche Routen und zeigt in Bezug auf Geschwindigkeit und Zuverlässigkeit wettbewerbsfähige Leistungen gegenüber den anderen Techniken.

Was das für künftige Polizeidrohnen bedeutet

Kurz gesagt zeigt die Studie, dass das virtuelle Schwarmverhalten, das sich unterwegs anpasst und intelligente Halbschritte in Richtung guter Lösungen macht, bessere Flugpläne für Polizeidrohnen liefern kann. Die verbesserte Methode ist nicht perfekt — sie bietet noch Spielraum, stabiler und weniger ressourcenintensiv zu werden — aber unter den getesteten Bedingungen übertrifft sie mehrere etablierte Werkzeuge. Mit der zunehmenden Verbreitung von Drohnen in der öffentlichen Sicherheit könnten solche Fortschritte in der Routenplanung dazu beitragen, dass sie schneller reagieren, weniger Zeit in der Luft verbringen und Risiken im dichten Luftraum verringern.

Zitation: Wang, D., Qian, X. Police UAV path planning method based on improved PSO using AFS and HJS. Sci Rep 16, 12417 (2026). https://doi.org/10.1038/s41598-026-40670-9

Schlüsselwörter: Polizeidrohne, UAV-Routenplanung, Schwarmoptimierung, Routenplanungsalgorithmen, städtische Überwachung