链上镖师 / Chain Biaoshi
TRE|异构监测任务下卡车无人机协同：车队与路径优化
把无人机类型、卡车路线、发射回收和任务匹配放进同一个优化模型
这篇 TRE 论文研究异质监测任务下的卡车-无人机同步系统，把无人机类型和数量配置、卡车路径、无人机飞行与发射回收安排联合优化，以降低总运营成本。
- 01：现实巡检任务常同时包含人工地面检查、高清相机巡检、红外热成像等差异化需求，单一无人机类型会限制系统效率。
- 02：论文构建混合整数规划模型，同时决定每辆卡车携带哪些类型和多少架无人机，以及卡车和无人机如何完成任务节点。
- 03：作者设计定制 ALNS 算法处理大规模实例，在 100 个任务节点算例中仍能在 12 分钟内给出稳定近优解。
- 04：实验显示，允许一辆卡车携带多类型无人机，可在多个案例中减少卡车启用和行驶成本，并提升编队利用率。
研究背景
卡车-无人机同步系统常用于森林火灾预警、输电线路巡检、施工现场监测等场景。卡车承担移动仓库、运输平台和电池更换点的角色，无人机利用直线飞行和载荷设备完成远距离、危险区域或高分辨率数据采集任务。
来源：Fig. 1，异质监测任务下的卡车-无人机同步作业示例。
论文强调任务异质性有两层含义：部分任务仍需地面人员或卡车执行，部分任务需要搭载不同设备的无人机完成。例如输电线路巡检依赖高分辨率相机和 LiDAR，森林火灾预警更依赖红外传感器和热成像设备。
核心背景在于，固定车机编队和同质无人机假设会让真实巡检中的设备能力差异被忽略，进而带来冗余运输、卡车资源利用不足和系统成本上升。
核心问题
本文要解决的问题是：在存在多类监测任务、多类无人机和多辆可用卡车时，系统应如何决定每辆卡车携带的无人机类型与数量，并安排卡车路线、无人机飞行路径、发射节点和回收节点，使所有任务被合适的车辆或无人机完成一次。
01任务匹配：每个节点只能由具备对应能力的卡车或无人机执行。
02车机同步：无人机必须从卡车可到达节点发射，并在后续节点被回收。
03续航约束：无人机每次飞行要满足电池容量和任务服务时间限制。
04时间约束：卡车和无人机都要在给定时间窗内回到仓库。
来源：Fig. 2，模型关键变量与发射回收关系示意。
目标函数最小化系统总成本，包含卡车启用成本、无人机启用成本、卡车行驶成本和无人机飞行成本。这个目标把编队规划和路径优化合并在一起，使无人机是否上车、上哪辆车、飞哪段路都成为共同决策。
方法框架
模型以任务节点、卡车集合、无人机集合和无人机飞行趟次为基础，定义卡车弧线、无人机弧线、节点访问、发射回收、无人机装载等二元变量，并用到达时间、离开时间和剩余电量变量刻画同步过程。
1先确定每个任务节点由卡车或具备能力的无人机执行。
2再安排卡车访问节点、无人机发射节点和回收节点。
3同步更新无人机电量、任务服务时间和卡车等待时间。
4在总成本目标下选择无人机类型、数量和路线组合。
约束组覆盖卡车和无人机流平衡、子回路消除、卡车装载无人机数量上限、每个任务只执行一次、无人机适配任务类型、电池消耗、发射前充满电、回收后再发射，以及所有车机在时间窗内返回仓库。
来源：Algorithm 1，面向卡车-无人机监测问题的 ALNS 主流程。
面对大规模算例，作者开发定制 ALNS。算法每轮选择一个破坏算子、一个卡车修复算子和一个无人机修复算子，生成新方案后用模拟退火接受准则保留一定探索空间，并根据算子表现更新选择权重。
案例或实验设置
实验部分先构造 26 个基础算例，节点数、任务类型数量、卡车数量和无人机数量逐步变化。算例名称如 16-2-2-4A，表示包含 16 个节点、2 类无人机任务、2 辆卡车和 4 架无人机，A 与 B 对应不同距离和时间需求。
来源：Fig. 4，不同空间分布实例的示意图。
为检验算法在更贴近真实环境的任务布局下是否稳定，论文增加三类空间分布：线性走廊型场景用于模拟高速公路或海岸线巡检，双中心聚类用于模拟多中心区域，混合城乡场景用于模拟密集城区和稀疏乡村并存的任务分布。
来源：Fig. 9，两类真实电力巡检场景。
敏感性分析进一步使用两类真实电力巡检场景，分别对应线性输电线路和集群式风场。这个设置让电池容量、卡车节点比例等参数变化可以落到具体地理结构中，而非停留在随机算例。
结果分析
在小规模实例中，ALNS 与 Gurobi 的比较显示，绝大多数实例的最佳目标值达到精确最优；平均目标值相对最优解的差距保持在 3% 以内。32 节点实例中，Gurobi 超过 48 小时，ALNS 仍可在约 61 到 67 秒给出结果。
来源：Table 3，小规模实例中 Gurobi 与 ALNS 的性能对比。
大规模节点数
50-100
Table 4 覆盖的任务节点规模
100 节点求解时间
624.96-776.59 秒
两组 100 节点实例的平均计算时间
来源：Table 4，大规模实例下 ALNS 的目标值差距与计算时间。
来源：Table 5，异质任务分布和密度下的 ALNS 表现。
管理启示
结果对运营侧最直接的启示是，多类型无人机应作为车队规划的一部分共同决策。Table 8 中，R1、R3、C1、C2、C4 等案例的总成本相对同质设置下降明显，其中 C1 成本降低 31.06%，R3 成本降低 24.97%。
来源：Table 8，本文模型与经典同质设置的总成本对比。
来源：Fig. 5，Case R3 的卡车-无人机路线可视化。
来源：Table 9，本文模型与预设卡车-无人机编队的总成本对比。
来源：Table 10，无人机电池容量对总成本的影响。
论文：Synchronized truck-drone routing with adaptive fleet planning for heterogeneous monitoring tasks
作者：Wenjia Shen，Zhenjie Zheng，Zhengli Wang，Jing Zhou，Hai Yang
期刊：Transportation Research Part E
链上镖师、先卜交通、先卜运筹通用论文ID
保存此推文 ID，可在粉丝群内获取相关材料，未来更多功能敬请期待
先卜科技团队：常文婕、张巧巧、王一航、夏子帆、张晓乐、祁园园、张仁义
