用于农业地下通信传感器节点数据收集的无人机最优路径规划

《ACM Journal on Autonomous Transportation Systems》：Unmanned Aerial Vehicle Optimal Route Planning for Data Collection of Underground Communicating Sensor Nodes in Agriculture

农业土壤监测需解决埋地传感器数据采集难题，本研究提出基于LiDAR数据构建数字表面模型（DSM）并融合三维障碍物规避的无人机路径规划算法，通过遗传算法（PGA）结合启发式规则求解带障碍物的接近足够旅行商问题（CE-TSP-O），在真实农场实验中验证了方法的有效性。

　　随着全球人口的持续增长，农业面临着越来越多的挑战，如如何实现可持续发展、保护自然资源以及提高农业系统对气候变化的适应能力。为应对这些挑战，对土壤温度和湿度的实时监测变得尤为重要。这种监测不仅有助于优化农业实践，还能提高水资源利用效率和田间作业管理能力。此外，土壤数据还可用于水文模型的构建，帮助理解气候变异性并进行干旱和洪水的早期预警。然而，传统传感器部署方式在实际操作中存在诸多限制，尤其是远程数据采集的困难。通信网络可能在某些地区无法覆盖（如“空白区域”），而大量部署网关或依赖卫星通信的方式成本过高。此外，传感器节点的无线电发射器通常设置在地表上，这不仅成为农业机械的物理障碍，还容易受到动物破坏或人为干扰。

为了解决这些问题，研究人员开发了一种创新方法，即完全埋设在土壤中的通信传感器节点。这种方法无需昂贵的基础设施，也不依赖通信网络，即可实现土壤参数的测量。然而，由于这些传感器的通信范围有限，仅能覆盖地表几米的区域，因此远程数据采集仍面临挑战。一种可能的解决方案是使用无人机（UAV）进行数据收集。无人机可以按照最优路径依次访问各个传感器节点，从而有效减少节点通信所需的能量消耗。例如，当无人机靠近传感器节点时，节点的无线电模块可以配置为最低发射功率和最短发射时间。未来的研究甚至可以探索无人机发送特定信号以唤醒节点，进一步降低节点的能耗。

然而，无人机的飞行路径规划也面临挑战，尤其是在存在障碍物的情况下。由于无人机的电池容量有限，飞行路径的长度需要优化，特别是在需要访问大量节点的情况下。为此，本文提出了一种基于“接近性旅行商问题”（CE-TSP）的解决方案，即无人机在飞行路径上只需进入传感器节点的通信范围，而不必经过中心点。这种方法在文献中已有研究，但大多数方法仅停留在理论层面，未考虑实际应用场景。此外，现有方法多为二维模型，且未考虑障碍物的影响。本文提出了一种新的方法，通过利用真实数据，准确建模无人机作业区域中的障碍物位置和高度，并结合一种简单的遗传算法（PGA）与启发式规则，以解决具有障碍物的CE-TSP问题（CE-TSP-O）。

为了实现这一目标，本文首先利用空中激光雷达（LiDAR）技术获取高精度的三维地形数据。这些数据经过处理，可以生成数字地表模型（DSM）和数字高程模型（DEM）。通过将DSM与DEM进行比较，可以计算出植被和建筑物相对于地面的高度，从而生成一个更精确的障碍物地图。这一障碍物地图被投影为二维黑白图像，其中白色代表地面，黑色代表障碍物。为了确保无人机飞行的安全性，采用数学形态学中的膨胀操作，使障碍物区域在路径规划中显得更大，从而提供额外的安全距离。这种“膨胀障碍物”或“带安全边缘的障碍物”方法，使无人机在规划路径时能够避开潜在的碰撞风险。

接下来，基于障碍物地图，构建一个成本矩阵，用于计算无人机在访问各传感器节点之间的飞行路径。该矩阵中的每个元素代表无人机在不同节点之间飞行的距离。如果两个节点之间没有障碍物，则直接使用欧几里得距离计算。如果存在障碍物，则需要计算无人机爬升至障碍物上方的额外距离，并考虑绕行路径的长度。通过这种方式，可以确保无人机在飞行过程中既能有效收集数据，又能避免障碍物。最后，结合PGA算法和启发式规则，优化路径规划，以获得最优的飞行路线。

本文提出的算法在实际应用中得到了验证。在一个包含50个埋设传感器节点的实验农场中，无人机根据该算法规划的飞行路径长度为5385米，计算时间为7.7秒，其中5.45秒用于加载LiDAR数据，2.25秒用于路径规划。通过对比其他算法在标准测试集上的表现，本文的算法显示出良好的性能。例如，在TSPLIB的“eil51”测试集上，获得的路径长度与最优解非常接近；在“car_30.cetsp”真实场景中，路径长度也接近其他方法的最优解。此外，通过调整无人机的安全飞行高度，可以在安全性和路径长度之间找到平衡，从而优化飞行任务。

本文的研究不仅对农业领域具有重要意义，也为其他需要远程数据采集的领域提供了新的思路。例如，在环境监测和公共安全等领域，类似的路径规划问题也普遍存在。此外，随着技术的进步，未来的研究可以进一步优化算法，使其能够处理更复杂的三维障碍物模型，或者考虑无人机飞行过程中的其他因素，如电池电量和风速等。这些改进将有助于提高无人机在实际应用中的效率和可靠性，使其能够更好地适应复杂的工作环境。