Метод планирования маршрута полицейского БПЛА на основе улучшенного PSO с использованием AFS и HJS

Более умные глаза в небе

Правоохранительные органы все чаще используют небольшие беспилотные летательные аппараты — полицейские дроны — для наблюдения за оживленными улицами, поиска пропавших людей и реагирования на чрезвычайные ситуации. Но для дрона вопрос «куда лететь дальше» не так прост: ему нужно быстро посетить несколько точек, избегать запретных зон и экономить заряд батареи — и все это в плотном городском воздушном пространстве. В этом исследовании предложен новый способ автоматического планирования таких полетов, чтобы полицейские дроны могли выполнять задачи быстрее и безопаснее, даже в сложной городской среде.

Задача поиска лучшего маршрута

Представьте патрульный автомобиль, который может перепрыгивать через пробки и здания — примерно таковы возможности полицейского дрона. Тем не менее маршрут по‑прежнему надо тщательно выбирать. Существующие методы планирования маршрутов из робототехники и искусственного интеллекта помогают, но каждый из них имеет свои компромиссы. Некоторые хорошо ищут, но требуют много времени; другие быстры, но застревают на посредственных решениях. Полицейская задача добавляет дополнительные сложные условия: дрону может потребоваться посетить множество целей, огибать зоны с ограниченным доступом и адаптироваться к меняющейся обстановке. Авторы сосредотачиваются на этой специальной версии задачи планирования маршрута и называют ее задачей планирования маршрута полицейского БПЛА, или PU3P.

Заимствуя идеи у стай птиц

Чтобы справиться с PU3P, исследователи опираются на популярный метод оптимизации — Particle Swarm Optimization. В этом подходе множество простых виртуальных «частиц» бродят по пространству поиска так, как стая птиц рассекает поле в поисках пищи. Каждая частица запоминает свою лучшую найденную позицию и учитывает лучшую позицию, найденную группой. За многие итерации рой стремится сосредоточиться в перспективных областях, которые в данном случае соответствуют хорошим маршрутам полета. Классические версии этого метода, однако, были разработаны главным образом для гладких непрерывных задач, а не для дискретных последовательностей путевых точек, задающих маршрут дрона. Они также склонны преждевременно сходиться на посредственном решении.

Два улучшения для более точного поиска

В статье предложены два ключевых улучшения для усиления такого ройного поиска. Первое, называемое стратегией адаптивного фактора, постепенно меняет степень, с которой частицы переносят свое предыдущее движение на следующий шаг. На ранних этапах это поощряет широкое исследование; позже — точную донастройку вокруг перспективных кандидатов. Второе улучшение, названное стратегией половинного прыжка, периодически подталкивает некоторые частицы частично в сторону лучших позиций, найденных ранее, вместо того чтобы позволять им полностью действовать самостоятельно. Вместе эти стратегии формируют улучшенный рой, обозначенный как AFS‑HJS‑PSO, который одновременно может широко исследовать пространство и быстро сходиться. Авторы затем адаптируют этот улучшенный рой для работы с пошаговыми последовательностями посещения целей в PU3P, определив функцию приспособленности, отражающую суммарное расстояние полета полицейского дрона при посещении всех назначенных точек.

Проверка нового метода

Чтобы оценить, действительно ли их подход эффективен, команда сравнивает AFS‑HJS‑PSO с несколькими известными конкурентами: стандартным ройным методом, генетическим алгоритмом, имитирующим эволюцию, методом имитации отжига, позаимствованным из металлургии, и классическим решателем нелинейной оптимизации. Сначала они тестируют все методы на 20 стандартных математических контрольных задачах, часто используемых для оценки алгоритмов поиска. По большинству тестов новый рой находит лучшие ответы, делает это быстрее или обеспечивает более стабильные результаты. Затем они переходят к реальной задаче маршрутизации полицейского дрона, прогоняя каждый метод по 30 раз на одном и том же наборе целевых точек. Улучшенный рой снова показывает более короткие средние маршруты и демонстрирует конкурентоспособную скорость и надежность по сравнению с другими методиками.

Что это значит для будущих полицейских дронов

Проще говоря, исследование показывает, что обучение виртуальной стаи гибко менять поведение на ходу и совершать умные «полушаги» к перспективным решениям может дать лучшие планы полета для полицейских дронов. Улучшенный метод не идеален — ему еще есть куда расти в плане стабильности и экономии ресурсов — но в протестированных условиях он превосходит несколько устоявшихся инструментов. По мере того как дроны становятся более распространены в сфере общественной безопасности, такие достижения в планировании маршрутов могут помочь им реагировать быстрее, меньше находиться в воздухе и снижать риски в плотном небе.

Цитирование: 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

Ключевые слова: полицейский дрон, планирование траекторий БПЛА, ройная оптимизация, алгоритмы планирования маршрутов, городской мониторинг