Polis‑UAV‑ruttplaneringsmetod baserad på förbättrad PSO med AFS och HJS

Smartare ögon i skyn

Polismyndigheter vänder sig i allt större utsträckning till små obemannade luftfarkoster—polisdrönare—för att övervaka livliga gator, söka efter försvunna personer och rycka ut vid nödsituationer. Men för en drönare är frågan ”vart ska man flyga härnäst” inte enkel: den måste besöka flera platser snabbt, undvika no‑fly‑zoner och spara batteri, allt i en tät stadsluft. Denna studie presenterar ett nytt sätt att automatiskt planera flygrutter så att polisdrönare kan utföra sina uppdrag snabbare och säkrare, även i komplexa urbana miljöer.

Utmaningen att hitta en bättre rutt

Föreställ dig en patrullbil som kan hoppa över trafikstockningar och byggnader—det är ungefär vad en polisdrönare kan göra. Ändå måste dess rutt väljas omsorgsfullt. Befintliga ruttplaneringsmetoder från robotik och artificiell intelligens kan hjälpa, men varje metod innebär kompromisser. Vissa söker noggrant men tar för lång tid, medan andra är snabba men fastnar i medelmåttiga lösningar. Polisarbete lägger till ytterligare komplikationer: drönaren kan behöva besöka många mål, slingra sig runt begränsade luftrum och anpassa sig till förändrade situationer. Författarna fokuserar på denna speciella version av ruttplaneringsproblemet och kallar det police UAV path planning problem, eller PU3P.

Låna idéer från fåglarnas flockar

För att tackla PU3P bygger forskarna vidare på en populär optimeringsmetod kallad Particle Swarm Optimization. I den metoden rör sig många enkla virtuella ”partiklar” genom ett sökutrymme på samma sätt som fåglar i en flock kan sprida ut sig över ett fält för att hitta mat. Varje partikel minns sin egen bästa position hittills och uppmärksammar gruppens bästa funna position. Över många iterationer tenderar svärmen att driva mot lovande regioner, som här motsvarar bra flygrutter. Klassiska versioner av metoden var dock främst avsedda för släta, kontinuerliga problem, inte för diskreta sekvenser av vägpunkter som definierar en drönarrutt. De kan också konvergera för tidigt till ett så‑så‑svar.

Två justeringar för skarpare sökningar

Studien introducerar två viktiga justeringar för att skärpa denna flockliknande sökning. Den första, kallad en adaptiv faktorstrategi, ändrar gradvis hur starkt partiklarna bevarar sin tidigare rörelse in i nästa steg. Tidigt uppmuntrar detta bred utforskning; senare gynnar det finslipning kring lovande kandidater. Den andra justeringen, kallad halvhoppningsstrategi, knuffar periodiskt vissa partiklar delvis mot de bästa positionerna som setts hittills, istället för att låta dem vandra helt på egen hand. Tillsammans skapar dessa strategier en förbättrad svärm, benämnd AFS‑HJS‑PSO, som både kan utforska brett och snabbare fokusera in sig. Författarna anpassar sedan denna förbättrade svärm för att hantera stegvise sekvenser av målbegång i PU3P, och definierar en fitness‑poäng som fångar den totala färdsträckan för en polisdrönare som besöker alla tilldelade platser.

Sätta den nya metoden på prov

För att se om deras angreppssätt verkligen ger effekt ställer teamet AFS‑HJS‑PSO mot flera välkända konkurrenter: en standard svärmmetod, en genetisk algoritm inspirerad av evolution, simulated annealing lånat från metallurgi, och en klassisk icke‑linjär optimeringslösare. De testar först alla metoder på 20 standardiserade matematiska benchmarkproblem som ofta används för att bedöma sökalgoritmer. I de flesta av dessa tester når den nya svärmen bättre lösningar, når dem snabbare eller gör det mer konsekvent. Därefter vänder de sig till det faktiska polisdrönar­routningsproblemet och kör varje metod 30 gånger på samma uppsättning målplatser. Den förbättrade svärmen hittar återigen kortare genomsnittsrutter och visar konkurrenskraftig hastighet och tillförlitlighet jämfört med de andra teknikerna.

Vad detta betyder för framtida polisdrönare

Enkelt uttryckt visar studien att genom att lära en virtuell flock att justera sitt beteende under körning och göra smarta halvsteg mot bra idéer kan man ta fram bättre flygplaner för polisdrönare. Den förbättrade metoden är inte perfekt—den har fortfarande utrymme att bli mer stabil och mindre resurskrävande—men under de testade förhållandena överträffar den flera etablerade verktyg. När drönare blir vanligare inom offentlig säkerhet kan sådana ruttplaneringsframsteg hjälpa dem att reagera snabbare, spendera mindre tid i luften och minska riskerna i trånga luftrum.

Citering: 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

Nyckelord: polisdrönare, UAV‑ruttplanering, svärmoptimering, ruttplaneringsalgoritmer, urban övervakning