Een verbeterd PSO-ABC-padplanningsalgoritme voor UAV's gebaseerd op de constructie van stedelijke luchtruimtopologie met werkelijke GIS-gegevens

Veiligere luchten voor stadsdrones

Bezorgdrones en inspectierobots beloven snellere leveringen en slimmere steden, maar vliegen boven drukke straten en hoge gebouwen brengt risico's met zich mee. Deze studie laat zien hoe je “onzichtbare snelwegen” in de lucht boven een echte Chinese stad kunt aanleggen en hoe een nieuw computeralgoritme onbemande luchtvaartuigen (UAV's) langs routes kan leiden die zowel veilig zijn voor mensen op de grond als efficiënt voor het vliegtuig.

Een echte stad omzetten in een 3D-vluchtroutekaart

De auteurs beginnen met gedetailleerde gegevens uit een geografisch informatiesysteem (GIS) van een gebied van 5 bij 5 kilometer in het Changqing-district van Jinan, China, inclusief exacte locaties en hoogtes van gebouwen. In plaats van de lucht boven de stad als één grote ruimte te beschouwen, snijden ze die op in negen dunne hoogte lagen, elk 5 meter hoog, van het maaiveld tot 40 meter. Binnen elke laag leggen ze een schaakbordpatroon van vakken van 100 bij 100 meter. Door deze vakken te stapelen ontstaat een 3D-rooster van kleine blokjes, of voxels, die elk een potentiële stuk lucht vertegenwoordigen dat een drone kan bezetten.

Het evenwicht tussen open lucht en mensen en eigendommen beneden

Om te bepalen welke voxels daadwerkelijk bruikbaar zijn, combineert het team twee eenvoudige maar krachtige concepten. Ten eerste meet “luchtruimbeschikbaarheid” hoe gemakkelijk een drone van het ene rooster-vak naar het andere kan bewegen zonder tegen gebouwen of andere obstakels aan te botsen. Als een vak met veel andere vakken verbonden is via open corridors, krijgt het een hoge score. Ten tweede meet “grondrisico” hoeveel schade een vallende drone beneden zou kunnen veroorzaken, op basis van lokale bevolkingsdichtheid, verkeer en de aanwezigheid van waardevolle structuren. Het model onderscheidt slachtoffers of verwondingen bij voetgangers en inzittenden van voertuigen en schade aan gebouwen en infrastructuur.

De stad indelen in betere of slechtere dronezones

Elke locatie in het raster krijgt twee scores: één voor luchtruimbeschikbaarheid en één voor grondrisico. De auteurs gebruiken vervolgens een kwadrantdiagram om luchtvakken in vier typen te groeperen: hoge beschikbaarheid met laag risico (ideaal), hoge beschikbaarheid met hoog risico (drukke stadscentra), lage beschikbaarheid met laag risico (weinig mensen maar veel obstakels) en lage beschikbaarheid met hoog risico (het ergste van beide werelden). Drempelwaarden bepalen wat als “hoog” of “laag” telt. Het grootste deel van het bestudeerde luchtruim — ongeveer 64 procent — valt in de beste categorie, met voldoende manoeuvreerruimte en relatief weinig gevaar voor mensen en eigendommen. Een meer geavanceerde “Pareto-sorting” stap rangschikt vervolgens de beste cellen door hogere openheid af te wegen tegen lager risico, en houdt het bovenste halfuur over als het voorkeursnetwerk van veilige luchtscorridors.

Drones leren slimmere routes te kiezen

Als dit veilige 3D-netwerk eenmaal is opgebouwd, is de uitdaging het vinden van een specifieke route van een beginpunt nabij de grond naar een bestemming hogerop, onder naleving van strikte regels: drones moeten gemarkeerde no-fly zones boven gebouwen vermijden, binnen toegestane hoogtebanden blijven, steile klimmen en duiken beperken en een veilige afstand tot terrein en constructies bewaren. Om dit te bereiken combineren de auteurs twee bekende zoektechnieken die door de natuur zijn geïnspireerd. Een particle swarm optimization (PSO)-methode werkt als een zwerm vogels die de hele ruimte verkent op zoek naar veelbelovende routes, terwijl een artificial bee colony (ABC)-methode zich gedraagt als bijen die zich richten op het verfijnen van de beste nectarbronnen. PSO voert een brede globale zoekactie uit, waarna ABC zorgvuldige lokale afstemming rond de meest veelbelovende kandidaat-routes uitvoert. Ten slotte wordt de ruwe reeks waypoints gladgemaakt met een wiskundige kromme zodat een echte drone deze kan vliegen zonder scherpe, onrealistische bochten.

Snellere, vloeiendere en veiligere stadsroutes

De onderzoekers testen hun gecombineerde PSO-ABC-benadering tegen drie veelgebruikte alternatieven: een standaard genetisch algoritme, alleen PSO en alleen ABC. In realistische simulaties met de werkelijke gebouwindeling van Changqing vindt hun methode consequent vloeiendere vluchtroutes die alle no-fly zones en drukke grondgebieden vermijden. Het convergeert ook veel sneller naar goede oplossingen — ruwweg met de helft van het aantal iteraties vergeleken met de andere methoden — wat verspilde rekentijd en energie vermindert. Voor niet-specialisten is de conclusie duidelijk: door zowel de lucht als de stad daaronder zorgvuldig te modelleren en door een slimme mix van vogelachtige en bijachtige zoekstrategieën toe te passen, biedt dit werk een praktische manier om drones door complexe stedelijke omgevingen te leiden en tegelijk mensen en eigendommen te beschermen.

Bronvermelding: Liu, Y., Dong, H., Liu, H. et al. An improved PSO-ABC path planning algorithm for UAVs based on a construction of urban airspace topology with actual GIS data. Sci Rep 16, 5048 (2026). https://doi.org/10.1038/s41598-026-35958-9

Trefwoorden: stedelijke drone-routes, UAV-routeplanning, luchtruimveiligheid, heuristische optimalisatie, GIS-gebaseerd luchtruim