Metodo di pianificazione del percorso per UAV di polizia basato su PSO migliorato con AFS e HJS

Occhi più intelligenti nel cielo

Le forze di polizia si rivolgono sempre più a piccoli aeromobili senza pilota — i droni di polizia — per sorvegliare strade affollate, cercare persone scomparse e intervenire nelle emergenze. Ma per un drone la domanda “dove volare dopo” non è banale: deve raggiungere rapidamente più punti, evitare zone vietate al volo e conservare la carica della batteria, il tutto nello spazio aereo congestionato della città. Questo studio propone un nuovo metodo per pianificare automaticamente quei percorsi in modo che i droni di polizia possano svolgere i loro compiti più rapidamente e in sicurezza, anche in ambienti urbani complessi.

La sfida di trovare un percorso migliore

Immaginate un’auto di pattuglia che può superare ingorghi e palazzi: è più o meno ciò che un drone di polizia può fare. Tuttavia il suo tragitto va scelto con cura. I metodi di pianificazione del percorso esistenti, provenienti dalla robotica e dall’intelligenza artificiale, possono aiutare, ma ognuno comporta compromessi. Alcuni cercano molto bene ma impiegano troppo tempo, mentre altri sono veloci ma restano intrappolati in soluzioni di qualità mediocre. Il lavoro di polizia introduce ulteriori complicazioni: il drone potrebbe dover visitare numerosi obiettivi, aggirare spazi aerei ristretti e adattarsi a situazioni in evoluzione. Gli autori si concentrano su questa versione particolare del problema di pianificazione del percorso e la chiamano problema di pianificazione del percorso per UAV di polizia, o PU3P.

Prendere spunto dagli stormi di uccelli

Per affrontare il PU3P, i ricercatori si basano su un metodo di ottimizzazione popolare chiamato Particle Swarm Optimization. In questo approccio, molte semplici “particelle” virtuali si muovono in uno spazio di ricerca come gli uccelli di uno stormo che si disperdono su un campo per trovare cibo. Ogni particella ricorda il miglior punto trovato finora e prende in considerazione il miglior punto individuato dal gruppo. Dopo molte iterazioni, lo sciame tende a convergere verso regioni promettenti, che qui corrispondono a buoni percorsi di volo. Le versioni classiche di questo metodo, tuttavia, sono state pensate principalmente per problemi continui e lisci, non per le sequenze discrete di waypoint che definiscono la rotta di un drone. Possono inoltre convergere prematuramente su una soluzione mediocre.

Due accorgimenti per una ricerca più efficace

L’articolo introduce due modifiche chiave per affinare questa ricerca ispirata allo stormo. La prima, chiamata strategia del fattore adattativo, varia progressivamente quanto le particelle trasportano il loro moto precedente nel passo successivo. All’inizio questo favorisce un’ampia esplorazione; in seguito privilegia la messa a punto intorno a buoni candidati. La seconda modifica, denominata strategia del mezzo salto, spinge periodicamente alcune particelle parzialmente verso le migliori posizioni osservate finora, piuttosto che lasciarle vagare del tutto da sole. Insieme, queste strategie creano uno sciame migliorato, chiamato AFS‑HJS‑PSO, che può sia esplorare ampiamente sia convergere rapidamente. Gli autori quindi adattano questo sciame migliorato per gestire le sequenze passo‑passo delle visite obiettivo nel PU3P, definendo una funzione di fitness che cattura la distanza totale di viaggio di un drone di polizia che visita tutte le località assegnate.

Mettere alla prova il nuovo metodo

Per verificare se l’approccio rende davvero, il team confronta AFS‑HJS‑PSO con diversi noti concorrenti: un metodo a sciame standard, un algoritmo genetico ispirato all’evoluzione, il simulated annealing preso in prestito dalla metallurgia e un classico risolutore di ottimizzazione non lineare. Prima testano tutti su 20 problemi di benchmark matematici standard comunemente usati per valutare gli algoritmi di ricerca. In gran parte di questi test, il nuovo sciame raggiunge soluzioni migliori, le raggiunge più rapidamente o lo fa in modo più consistente. Poi passano al problema reale di instradamento dei droni di polizia, eseguendo ogni metodo 30 volte sullo stesso insieme di località target. Anche qui lo sciame migliorato trova in media percorsi più corti e mostra velocità e affidabilità competitive rispetto alle altre tecniche.

Cosa significa questo per i droni di polizia del futuro

In termini semplici, lo studio mostra che insegnare a uno sciame virtuale ad adattare il proprio comportamento al volo e a compiere mezzi passi intelligenti verso buone soluzioni può produrre piani di volo migliori per i droni di polizia. Il metodo migliorato non è perfetto — ha ancora margini per diventare più stabile e meno dispendioso in termini di risorse — ma nelle condizioni testate supera diversi strumenti consolidati. Con la crescente diffusione dei droni nella sicurezza pubblica, tali progressi nella pianificazione dei percorsi potrebbero aiutarli a rispondere più in fretta, a restare meno tempo in volo e a ridurre i rischi negli spazi aerei affollati.

Citazione: 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

Parole chiave: drone di polizia, pianificazione del percorso UAV, ottimizzazione a sciame, algoritmi di pianificazione del percorso, sorveglianza urbana