Metoda planowania trasy policyjnego BSP oparta na ulepszonym PSO z wykorzystaniem AFS i HJS

Inteligentniejsze oczy na niebie

Siły policyjne coraz częściej sięgają po małe statki powietrzne bezzałogowe — drony policyjne — aby obserwować ruchliwe ulice, poszukiwać zaginionych osób i reagować na sytuacje kryzysowe. Dla drona pytanie „dokąd polecieć dalej” nie jest jednak proste: musi odwiedzić kilka punktów szybko, omijać strefy zakazu lotów i oszczędzać baterię, wszystko to w zatłoczonym miejskim przestrzeni powietrznej. W badaniu przedstawiono nowy sposób automatycznego planowania tras lotu, dzięki któremu drony policyjne mogą realizować zadania szybciej i bezpieczniej, nawet w złożonych środowiskach miejskich.

Wyzwanie znalezienia lepszej trasy

Wyobraź sobie radiowóz, który potrafi przeskoczyć korki i budynki — mniej więcej to może zrobić dron policyjny. Mimo to jego trasa musi być starannie dobrana. Istniejące metody planowania tras z robotyki i sztucznej inteligencji pomagają, ale każda ma kompromisy. Niektóre dobrze przeszukują przestrzeń, ale zajmują zbyt dużo czasu, inne są szybkie, lecz utknąć na przeciętnych rozwiązaniach. Praca policyjna dodaje dodatkowe komplikacje: dron może musieć odwiedzić wiele celów, omijać strefy ograniczonego lotu i dostosowywać się do zmieniających się warunków. Autorzy koncentrują się na tej szczególnej wersji problemu planowania trasy i nazywają ją problemem planowania tras policyjnego BSP, albo PU3P.

Zap借ując pomysły od stad ptaków

Aby zmierzyć się z PU3P, badacze bazują na popularnej metodzie optymalizacji zwanej Particle Swarm Optimization. W tym podejściu wiele prostych wirtualnych „cząstek” przemierza przestrzeń poszukiwań tak, jak stado ptaków rozkłada się po polu, by znaleźć pożywienie. Każda cząstka pamięta swoje najlepsze dotychczasowe położenie i zwraca uwagę na najlepsze miejsce znalezione przez grupę. Z upływem iteracji rój zwykle przesuwa się w kierunku obiecujących obszarów, które tutaj odpowiadają dobrym trasom lotu. Klasyczne wersje tej metody były jednak projektowane głównie dla gładkich, ciągłych problemów, a nie dla dyskretnych sekwencji punktów nawigacyjnych definiujących trasę drona. Mogą też zbyt wcześnie zbiegać się na przeciętnych rozwiązaniach.

Dwie poprawki dla ostrzejszego przeszukiwania

Artykuł wprowadza dwie kluczowe modyfikacje, które zaostrzają takie stado poszukiwań. Pierwsza, nazwana strategią czynnika adaptacyjnego (adaptive factor strategy), stopniowo zmienia, jak mocno cząstki zachowują swój poprzedni ruch w kolejnym kroku. Na początku sprzyja to szerokiej eksploracji; później faworyzuje dopracowywanie obiecujących kandydatów. Druga modyfikacja, nazwana strategią pół‑skoku (half jumping strategy), okresowo przemieszcza niektóre cząstki częściowo w kierunku najlepszych dotąd pozycji, zamiast pozwalać im poruszać się całkowicie samodzielnie. Razem te strategie tworzą ulepszony rój nazwany AFS‑HJS‑PSO, który potrafi zarówno szeroko eksplorować, jak i szybko koncentrować się na obiecujących obszarach. Autorzy następnie adaptują ten ulepszony rój do obsługi sekwencyjnych odwiedzin celów w PU3P, definiując funkcję dopasowania (fitness), która odzwierciedla łączny dystans przelotu drona odwiedzającego wszystkie przypisane lokalizacje.

Testowanie nowej metody

Aby sprawdzić, czy ich podejście naprawdę się opłaca, zespół skonfrontował AFS‑HJS‑PSO z kilkoma dobrze znanymi konkurentami: standardową metodą roju, algorytmem genetycznym wzorowanym na ewolucji, symulowanym wyżarzaniem zapożyczonym z metalurgii oraz klasycznym solverem optymalizacji nieliniowej. Najpierw przetestowali je wszystkie na 20 standardowych problemach testowych z matematyki powszechnie używanych do oceny algorytmów poszukujących. W większości tych testów nowy rój osiągał lepsze wyniki, uzyskiwał je szybciej lub robił to bardziej konsekwentnie. Następnie przeszli do rzeczywistego problemu trasowania drona policyjnego, uruchamiając każdą metodę 30 razy na tym samym zestawie lokalizacji. Ulepszony rój ponownie znajdował krótsze średnie trasy i wykazywał konkurencyjną szybkość oraz niezawodność w porównaniu z innymi technikami.

Co to oznacza dla przyszłych dronów policyjnych

Mówiąc prosto, badanie pokazuje, że nauczenie wirtualnego stada dostosowywania zachowania w locie i wykonywania inteligentnych pół‑kroków w kierunku dobrych rozwiązań może dawać lepsze plany lotu dla dronów policyjnych. Ulepszona metoda nie jest idealna — nadal można ją uczynić bardziej stabilną i mniej zasobożerną — ale w warunkach testowych przewyższa kilka ugruntowanych narzędzi. W miarę jak drony będą coraz powszechniej wykorzystywane w służbach publicznych, takie postępy w planowaniu tras mogą pomóc im reagować szybciej, spędzać mniej czasu w powietrzu i zmniejszać ryzyko w zatłoczonych przestworzach.

Cytowanie: 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

Słowa kluczowe: dron policyjny, planowanie trasy UAV, optymalizacja rojem, algorytmy planowania tras, nadzór miejski