Ulepszony algorytm planowania trasy PSO-ABC dla UAV oparty na budowie topologii przestrzeni powietrznej miasta z wykorzystaniem rzeczywistych danych GIS

Bezpieczniejsze niebo dla dronów miejskich

Drony dostawcze i roboty inspekcyjne obiecują szybsze dostawy i inteligentniejsze miasta, ale latanie nad zatłoczonymi ulicami i wysokimi budynkami wiąże się z ryzykiem. W badaniu przedstawiono sposób stworzenia „niewidzialnych autostrad” w powietrzu nad rzeczywistym chińskim miastem oraz nowy algorytm komputerowy, który może prowadzić bezzałogowe statki powietrzne (UAV) po trasach bezpiecznych dla osób na ziemi i wydajnych dla statku powietrznego.

Przekształcanie rzeczywistego miasta w trójwymiarową mapę lotu

Autorzy zaczynają od szczegółowych danych systemu informacji geograficznej (GIS) z obszaru 5 na 5 kilometrów w dzielnicy Changqing w Jinan w Chinach, obejmujących dokładne położenie i wysokości budynków. Zamiast traktować przestrzeń powietrzną nad miastem jako jedną dużą objętość, dzielą ją na dziewięć cienkich warstw wysokościowych, każda o grubości 5 metrów, od poziomu gruntu do 40 metrów. W każdej warstwie układają szachownicę kwadratów o wymiarach 100 na 100 metrów. Nakładając te kwadraty tworzą trójwymiarową siatkę małych pudełek, czyli wokseli, z których każdy reprezentuje potencjalny fragment nieba, który dron może zajmować.

Wyważanie otwartej przestrzeni powietrznej z ochroną ludzi i mienia poniżej

Aby zdecydować, które woksele są faktycznie użyteczne, zespół łączy dwa proste, lecz skuteczne pomysły. Po pierwsze, „dostępność przestrzeni powietrznej” mierzy, jak łatwo dron może przemieszczać się z jednego kwadratu siatki do drugiego bez kolizji z budynkami lub innymi przeszkodami. Jeśli kwadrat łączy się z wieloma innymi poprzez otwarte korytarze, otrzymuje wysoką ocenę. Po drugie, „ryzyko naziemne” ocenia, jak dużą szkodę mógłby spowodować upadający dron poniżej, na podstawie lokalnej gęstości zaludnienia, natężenia ruchu i obecności cennych obiektów. Model rozróżnia ofiary śmiertelne lub obrażenia pieszych i osób w pojazdach oraz uszkodzenia budynków i infrastruktury.

Podział miasta na lepsze i gorsze strefy dla dronów

Każde miejsce w siatce otrzymuje dwie oceny: jedną za dostępność przestrzeni powietrznej i drugą za ryzyko naziemne. Autorzy wykorzystują następnie diagram kwadrantowy do pogrupowania fragmentów powietrza na cztery typy: wysoka dostępność przy niskim ryzyku (idealne), wysoka dostępność przy wysokim ryzyku (ruchliwe centra miejskie), niska dostępność przy niskim ryzyku (niewiele ludzi, ale wiele przeszkód) oraz niska dostępność przy wysokim ryzyku (najgorsze połączenie obu czynników). Wartości progowe określają, co liczy się jako „wysokie” lub „niskie”. Większość badanej przestrzeni powietrznej — około 64 procent — należy do najlepszej kategorii, z dużą przestrzenią manewrową i stosunkowo niskim zagrożeniem dla ludzi i mienia. Bardziej zaawansowany krok „sortowania Pareto” następnie porządkuje najlepsze komórki, równoważąc większą otwartość z niższym ryzykiem i zachowując górną połowę jako preferowaną sieć bezpiecznych korytarzy powietrznych.

Nauka dronów wyboru mądrzejszych ścieżek

Gdy ta bezpieczna trójwymiarowa sieć zostanie zbudowana, wyzwaniem jest znalezienie konkretnej trasy od punktu startowego blisko ziemi do celu położonego wyżej, przy jednoczesnym przestrzeganiu surowych zasad: drony muszą unikać oznaczonych stref zakazu lotów nad budynkami, pozostawać w dozwolonych pasmach wysokości, ograniczać strome wznoszenia i zanurzenia oraz zachować bezpieczny odstęp od terenu i konstrukcji. Aby to osiągnąć, autorzy łączą dwie dobrze znane techniki przeszukiwania inspirowane naturą. Metoda optymalizacji rojem cząstek (PSO) działa jak stado ptaków eksplorujących całą przestrzeń w poszukiwaniu obiecujących tras, podczas gdy metoda sztucznego ula pszczół (ABC) zachowuje się jak pszczoły skupiające się na udoskonalaniu najlepszych źródeł nektaru. PSO przeprowadza szerokie przeszukiwanie globalne, a następnie ABC wykonuje staranne dopracowanie lokalne wokół najbardziej obiecujących kandydatów. Na koniec surowy łańcuch punktów nawigacyjnych jest wygładzany za pomocą krzywej matematycznej, tak aby rzeczywisty dron mógł go pokonać bez ostrych, nierealistycznych skrętów.

Szybsze, płynniejsze i bezpieczniejsze trasy miejskie

Naukowcy przetestowali połączone podejście PSO-ABC przeciwko trzem powszechnym alternatywom: standardowemu algorytmowi genetycznemu, samemu PSO i samemu ABC. W realistycznych symulacjach wykorzystujących rzeczywisty układ budynków Changqing ich metoda konsekwentnie znajduje płynniejsze trasy lotu, które unikają wszystkich stref zakazu lotów i zatłoczonych obszarów naziemnych. Ponadto osiąga dobre rozwiązania znacznie szybciej — przy użyciu około połowy iteracji potrzebnych innym metodom — co zmniejsza zmarnowany czas obliczeniowy i zużycie energii. Dla laika wniosek jest jasny: poprzez staranne modelowanie zarówno nieba, jak i miasta poniżej oraz zastosowanie inteligentnej mieszanki strategii przeszukiwania naśladujących ptaki i pszczoły, praca ta oferuje praktyczny sposób prowadzenia dronów przez złożone środowiska miejskie przy jednoczesnym zwiększeniu bezpieczeństwa ludzi i mienia.

Cytowanie: 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

Słowa kluczowe: trasowanie dronów miejskich, planowanie trasy UAV, bezpieczeństwo przestrzeni powietrznej, heurystyczna optymalizacja, przestrzeń powietrzna oparta na GIS