基于三阶段优化的无人机-无人车空地协同路径规划方法

doi:10.7527/S1000-6893.2025.32649

电子电气工程与控制

本期目录 | 过刊浏览 | 高级检索

前一篇 |

基于三阶段优化的无人机-无人车空地协同路径规划方法

徐淑芳¹^,², 费文轩¹, 李恒¹, 高红民¹()

^1. 河海大学计算机与软件学院，南京 211100
^2. 陕西省光学遥感与智能信息处理重点实验室，西安 710119

收稿日期:2025-08-03 修回日期:2025-08-25 接受日期:2025-08-29 出版日期:2025-09-12 发布日期:2025-09-10
通讯作者: 高红民
基金资助:
陕西省光学遥感与智能信息处理重点实验室开放基金(KF20230301)

UAV-UGV collaborative air-ground path planning method based on three-stage optimization

Shufang XU¹^,², Wenxuan FEI¹, Heng LI¹, Hongmin GAO¹()

^1. College of Computer Science and Software Engineering，Hohai University，Nanjing 211100，China
^2. Shaanxi Key Laboratory of Optical Remote Sensing and Intelligent Information Processing，Xi’an 710119，China

Received:2025-08-03 Revised:2025-08-25 Accepted:2025-08-29 Online:2025-09-12 Published:2025-09-10
Contact: Hongmin GAO
Supported by:
The Open Research Fund of Shaanxi Key Laboratory of Optical Remote Sensing and Intelligent Information Processing(KF20230301)

摘要/Abstract

摘要：

无人机-无人车空地协同系统在多个领域广泛应用并备受关注。无人机具有飞行速度快、灵活机动的特点，但其续航能力较差；而无人车虽然机动性相对有限，但具备强大的地面负载能力，可以作为无人机的地面中继站。无人机-无人车空地协同系统的路径规划是一个复杂且具有挑战性的问题，其目标是为系统中的无人机和无人车规划合理的路径，以便两者协同完成任务。综合考虑了无人机和无人车在速度、能量、功率以及障碍物等实际场景中常会面临的限制，突破传统空地协同系统大多侧重机载或车载的单一视角，构建了面向任务的无人机-无人车空地协同系统模型，并提出了一种三阶段优化的协同路径规划方法。具体结合元学习和局部搜索策略，提出一种元学习局部搜索遗传算法以解决协同系统模型中第1阶段全局路径生成问题；基于改进粒子滤波算法和优化时间A*算法提出时域粒子A*算法以解决第2阶段无人车避障问题；面向无人机和无人车的速度、能量和功率参数特征，基于时间约束解决第3阶段无人机充电调度问题。通过虚拟场景与真实场景数据仿真实验验证，证明了所提三阶段规划方法的有效性。

关键词: 无人机（UAV）, 无人车（UGV）, 空地协同, 三阶段优化, 路径规划方法

Abstract:

Unmanned Aerial Vehicle-Unmanned Ground Vehicle （UAV-UGV） air-ground collaborative systems are widely applied and garner significant attention across various domains. UAVs offer advantages in high speed and maneuverability but suffer from limited endurance， while UGVs， though possessing relatively constrained mobility， provide substantial ground payload capacity and can serve as mobile relay stations for UAVs. Path planning for such collaborative systems presents a complex and challenging problem， aiming to generate feasible paths for both UAVs and UGVs to cooperatively accomplish missions. This paper comprehensively considers practical constraints frequently encountered in real-world scenarios， including speed， energy consumption， power limitations， and obstacles， overcoming the limitation of traditional air-ground systems which often focus on a single perspective （either airborne or ground-based）. We establish a task-oriented UAV-UGV air-ground collaborative system model and propose a three-stage-optimization collaborative path planning method. Specifically， we develop a Meta-learning Local-search Genetic Algorithm （MLGA）， combining meta-learning strategies with local search， to solve the first-stage global path generation problem within the collaborative model. For the second-stage UGV obstacle avoidance， we introduce a temporal particle A* algorithm， integrating an improved particle filter algorithm with an optimized temporal A* algorithm. Finally， addressing the third stage， we formulate a time-constrained UAV charging scheduling solution based on the distinct speed， energy， and power characteristics of UAVs and UGVs. The effectiveness of the proposed three-stage planning method is rigorously validated through simulations using virtual scenario data and real-world experiments.

Key words: Unmanned Aerial Vehicle (UAV), Unmanned Ground Vehicle (UGV), air-ground collaborative systems, three-stage optimization, path planning method

中图分类号:

V249.12

徐淑芳, 费文轩, 李恒, 高红民. 基于三阶段优化的无人机-无人车空地协同路径规划方法[J]. 航空学报, 2026, 47(7): 332649.

Shufang XU, Wenxuan FEI, Heng LI, Hongmin GAO. UAV-UGV collaborative air-ground path planning method based on three-stage optimization[J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(7): 332649.

图/表 20

图 1

图 2

图 3

图 4

图 5

图 6

表1

协作系统参数设置

系统	参数	数值
无人机	$v a 1$ /（km·h^-1）	40
	$v a 2$ /（m·s^-1）	4
	$T a m a x$ /h	0.5
	$T 1$ /h	0.4
无人车	$v g$ /（km·h^-1）	15（空车）
	$v g$ /（km·h^-1）	7.5（载无人机）
	$T 2$ /h	0.8

表1

表2

求解TSP各个算法的参数设置

参数	意义	数值
$G m a x$	迭代次数	200
$S p o p$	种群规模	100
$p c$	交叉概率	0.9
$p m$	变异概率	0.05
$p l$	局部搜索个体比重	0.3
$N m a x$	蚁群迭代次数	200
$N a n t s$	蚂蚁数量	30
$α$	信息素因子	1
$β$	启发函数因子	2
$ρ$	信息素挥发因子	0.5
$Q$	信息素常量	100
$l$	学习率	0.5
$N i t e r$	训练轮次	10 000

表2

表3

图 7

表4

4种粒子滤波算法中的参数设置

参数	意义	数值
$T 0$ /℃	初始温度	$1$
$c$	扰动系数	0.6
$α$	衰减系数	0.95
$G P F$	迭代次数	100
$G S A$	迭代次数	100

表4

表5

二维平面中不同粒子数对应的平均距离误差比较

算法	平均距离误差
算法	$N = 100$	$N = 200$	$N = 500$	$N = 1 000$
PF	1.693 1	1.192 1	0.761 9	0.541 8
APF	1.147 3	0.864 1	0.662 4	0.509 3
SPF	0.940 1	0.721 0	0.570 9	0.518 9
ASPF	0.786 7	0.613 7	0.555 7	0.502 4

表5

图 8

表6

仿真实验中的参数设置

参数	意义	数值
$d$ /m	安全距离	10
$Δ t$ /s	时间步长	0.4
$T p$ /s	预测时间窗	3
$θ t h$ /（°）	角度阈值	$5$

表6

图 9

图 10

图 11

图 12

图 13

图 14

参考文献 41

[1]	LI J Q， DENG G Q， LUO C W， et al. A hybrid path planning method in unmanned air/ground vehicle （UAV/UGV） cooperative systems［J］. IEEE Transactions on Vehicular Technology， 2016， 65（12）： 9585-9596.
[2]	GROCHOLSKY B， KELLER J， KUMAR V， et al. Cooperative air and ground surveillance［J］. IEEE Robotics & Automation Magazine， 2006， 13（3）： 16-25.
[3]	刘雷，刘大卫，王晓光，等. 无人机集群与反无人机集群发展现状及展望［J］. 航空学报， 2022（S1）： 726908.
	LIU L， LIU D W， WANG X G， et al. Development status and outlook of UAV clusters and anti-UAV clusters［J］. Acta Aeronautica et Astronautica Sinica， 2022（S1）： 726908 （in Chinese）.
[4]	务益杰. 新型轻量化动力系统在无人机中的设计与应用［J］. 中国军转民， 2025（10）： 55-56.
	WU Y J. Design and application of new lightweight power system in UAV［J］. Defence Industry Conversion in China， 2025（10）： 55-56 （in Chinese）.
[5]	WANG T， HUANG P F， DONG G Q. Modeling and path planning for persistent surveillance by unmanned ground vehicle［J］. IEEE Transactions on Automation Science and Engineering， 2021， 18（4）： 1615-1625.
[6]	FU X W， DENG C， GUERRIERI A. Low-AoI data collection in integrated UAV-UGV-assisted IoT systems based on deep reinforcement learning［J］. Computer Networks， 2025， 259： 111044.
[7]	ZHANG J M， YUE X K， ZHANG H F， et al. Optimal unmanned ground vehicle： Unmanned aerial vehicle formation-maintenance control for air-ground cooperation［J］. Applied Sciences， 2022， 12（7）： 3598.
[8]	CHEN Y， CHEN M Q， CHEN Z H， et al. Delivery path planning of heterogeneous robot system under road network constraints［J］. Computers and Electrical Engineering， 2021， 92： 107197.
[9]	DINELLI C， RACETTE J， ESCARCEGA M， et al. Configurations and applications of multi-agent hybrid drone/unmanned ground vehicle for underground environments： A review［J］. Drones， 2023， 7（2）： 136.
[10]	FAGUNDES-JÚNIOR L A， BARCELOS C O， SILVATTI A P， et al. UAV-UGV formation for delivery missions： A practical case study［J］. Drones， 2025， 9（1）： 48.
[11]	SINGH H， BIKEN SINGH M， PRATIK H， et al. UAV and UGV assisted path planning for sensor data collection in precision agriculture［C］∥2023 11th International Symposium on Electronic Systems Devices and Computing （ESDC）. Piscataway： IEEE Press， 2023： 1-6.
[12]	YU H L， MEIER K， ARGYLE M， et al. Cooperative path planning for target tracking in urban environments using unmanned air and ground vehicles［J］. IEEE/ASME Transactions on Mechatronics， 2015， 20（2）： 541-552.
[13]	LI Z， GUO Y L， WANG G， et al. Informative trajectory planning for air-ground cooperative monitoring of spatiotemporal fields［J］. IEEE Transactions on Automation Science and Engineering， 2025， 22： 2627-2638.
[14]	ZHOU Y， JIN Z Q， SHI H G， et al. Enhanced emergency communication services for post-disaster rescue： multi-IRS assisted air-ground integrated data collection［J］. IEEE Transactions on Network Science and Engineering， 2024， 11（5）： 4651-4664.
[15]	SIVANERI V O， GROSS J N. Flight-testing of a cooperative UGV-to-UAV strategy for improved positioning in challenging GNSS environments［J］. Aerospace Science and Technology， 2018， 82： 575-582.
[16]	HU D F， GAN V J L， WANG T， et al. Multi-agent robotic system （MARS） for UAV-UGV path planning and automatic sensory data collection in cluttered environments［J］. Building and Environment， 2022， 221： 109349.
[17]	MINAEIAN S， LIU J， SON Y J. Vision-based target detection and localization via a team of cooperative UAV and UGVs［J］. IEEE Transactions on Systems， Man， and Cybernetics： Systems， 2016， 46（7）： 1005-1016.
[18]	ZHENG L X， WEI M X， MEI R D， et al. AAGE： Air-assisted ground robotic autonomous exploration in large-scale unknown environments［J］. IEEE Transactions on Robotics， 2025， 41： 1918-1937.
[19]	SIVANERI V O， GROSS J N. UGV-to-UAV cooperative ranging for robust navigation in GNSS-challenged environments［J］. Aerospace Science and Technology， 2017， 71： 245-255.
[20]	GOHATRE U B， PATIL V P， WADEKAR S Y. Effective information gathering in a three-dimensional setting through the unmanned aerial vehicles and wireless sensor networks［C］∥2023 1st DMIHER International Conference on Artificial Intelligence in Education and Industry 4.0 （IDICAIEI）. Piscataway： IEEE Press， 2024： 1-6.
[21]	STAMPA M， JAHN U， FRUHNER D， et al. Scenario and system concept for a firefighting UAV-UGV team［C］∥2022 Sixth IEEE International Conference on Robotic Computing （IRC）. Piscataway： IEEE Press， 2023： 253-256.
[22]	TIAN L， CHEN Y， WU H Y， et al. Air-ground cooperative path planning for doorstep pickup considering multiple uncertainty［J］. IEEE Sensors Journal， 2025， 25（13）： 25938-25947.
[23]	ZHENG J Y， SUN X Y， JI Y F， et al. Research on UAV path planning based on improved ACO algorithm［C］∥2023 IEEE 11th Joint International Information Technology and Artificial Intelligence Conference （ITAIC）. Piscataway： IEEE Press， 2024： 762-770.
[24]	CAI J H， WU J T， PENG Z. Research on power equipment condition monitoring based on simulated annealing algorithm and convolutional neural network［C］∥2024 IEEE 4th International Conference on Electronic Technology， Communication and Information （ICETCI）. Piscataway： IEEE Press， 2024： 1371-1374.
[25]	KHALID A N， RAO BAKI N M， PHANI VARMA T S， et al. Tabu search algorithm： Optimizing the search runtime［C］∥2024 5th International Conference for Emerging Technology （INCET）. Piscataway： IEEE Press， 2024： 1-4.
[26]	XU J， LIU X， JIN J， et al. Holistic service provisioning in a UAV-UGV integrated network for last-mile delivery［J］. IEEE Transactions on Network and Service Management， 2025， 22（1）： 380-393.
[27]	WU Y， WU S B， HU X T. Cooperative path planning of UAVs & UGVs for a persistent surveillance task in urban environments［J］. IEEE Internet of Things Journal， 2021， 8（6）： 4906-4919.
[28]	DU F J， CAO Y， WANG Y Z， et al. Research on gridded UAV scheduling based on heuristic greedy algorithm［C］∥2023 International Conference on Image Processing， Computer Vision and Machine Learning （ICICML）. Piscataway： IEEE Press， 2024： 989-993.
[29]	WANG R C， WANG K， SONG W J， et al. Aerial-ground collaborative continuous risk mapping for autonomous driving of unmanned ground vehicle in off-road environments［J］. IEEE Transactions on Aerospace and Electronic Systems， 2023， 59（6）： 9026-9041.
[30]	RIBEIRO C C G， DOS SANTOS L H M C， MACHARET D G. Collaborative UGV/UAV path planning for inventory management in warehouses［C］∥2022 Latin American Robotics Symposium （LARS）， 2022 Brazilian Symposium on Robotics （SBR）， and 2022 Workshop on Robotics in Education （WRE）. Piscataway： IEEE Press， 2023： 121-126.
[31]	YANG S J， YU J H， ZHANG Z L， et al. Cooperative path planning method based on road network constraints for vehicle-mounted multi-rotor UAV swarm［C］∥2023 42nd Chinese Control Conference （CCC）. Piscataway： IEEE Press， 2023： 1779-1784.
[32]	ZHANG Y X， YU J， TANG Y J， et al. GACF： Ground-aerial collaborative framework for large-scale emergency rescue scenarios［C］∥2023 IEEE International Conference on Unmanned Systems （ICUS）. Piscataway： IEEE Press， 2023： 1701-1707.
[33]	NIU G C， WU L， GAO Y F， et al. Unmanned aerial vehicle （UAV）-assisted path planning for unmanned ground vehicles （UGVs） via disciplined convex-concave programming［J］. IEEE Transactions on Vehicular Technology， 2022， 71（7）： 6996-7007.
[34]	LI J Q， SUN T， HUANG X P， et al. A memetic path planning algorithm for unmanned air/ground vehicle cooperative detection systems［J］. IEEE Transactions on Automation Science and Engineering， 2022， 19（4）： 2724-2737.
[35]	MARTÍNEZ-ROZAS S， ALEJO D， CABALLERO F， et al. Path and trajectory planning of a tethered UAV-UGV marsupial robotic system［J］. IEEE Robotics and Automation Letters， 2023， 8（10）： 6475-6482.
[36]	SEYEDI S， YAZICIOĞLU Y， AKSARAY D. Persistent surveillance with energy-constrained UAVs and mobile charging stations［J］. IFAC-PapersOnLine， 2019， 52（20）： 193-198.
[37]	XIE X S， WANG J S， ZHANG Y M， et al. A UAV forest fire detection method based on dual-light vision images［C］∥2023 CAA Symposium on Fault Detection， Supervision and Safety for Technical Processes （SAFEPROCESS）. Piscataway： IEEE Press， 2023： 1-6.
[38]	XU S F， ZHOU Z Y， LIU H Y， et al. A path planning method for collaborative coverage monitoring in urban scenarios［J］. Remote Sensing， 2024， 16（7）： 1152.
[39]	SHI H， LIANG Y Q， WU B， et al. Time-varying nonparametric remaining useful life of systems based on adaptive kernel auxiliary particle filter［J］. IEEE Transactions on Instrumentation and Measurement， 2025， 74： 3519414.
[40]	Xu Q， Xu J， Hu Y， et al. Trajectory optimization of robotic arm based on improved simulated annealing genetic algorithm［J］. Journal of System Simulation， 2025， 37（2）： 404-412.
[41]	WANG Y T， SU Z. An envy-free online UAV charging scheme with vehicle-mounted mobile wireless chargers［J］. China Communications， 2023， 20（8）： 89-102.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

算法	平均路径长度/km
算法	N _T=20	N _T=30	N _T=40
MLGA	143.59	190.86	206.03
遗传算法	153.45	202.07	290.34
蚁群算法	143.64	193.31	216.22
贪婪算法	165.94	211.86	222.16
Q-Learning	146.96	198.67	211.52

基于三阶段优化的无人机-无人车空地协同路径规划方法

UAV-UGV collaborative air-ground path planning method based on three-stage optimization

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 20

参考文献 41

相关文章 15

编辑推荐

Metrics

本文评价

[1]	吴一全, 童康. 基于深度学习的无人机航拍图像小目标检测研究进展[J]. 航空学报, 2025, 46(3): 30848-030848.
[2]	严国乘, 王宏伦, 王延祥, 伦岳斌, 朱俊帆. 无人机拖曳式空中回收机翼折叠过程预设性能抗摆动控制[J]. 航空学报, 2025, 46(24): 331840-331840.
[3]	宋怡成, 齐瑞云, 姜斌. 通信故障下无人机编队网络分布式拓扑重构[J]. 航空学报, 2025, 46(22): 331914-331914.
[4]	赵江, 皮明豪, 田栢苓, 池沛, 王英勋. 面向多目标跟踪的集群无人机自组织共识决策方法[J]. 航空学报, 2025, 46(16): 331635-331635.
[5]	郑高杰, 何小明, 李东坡, 谭慧俊, 汪昆, 吴祯龙, 王德鹏. 尾部推进无人机双90°偏折进气道/蜗壳耦合流动特性[J]. 航空学报, 2024, 45(4): 128782-128782.
[6]	王月星, 周启扬, 李敏倩, 缪炜星, 陆炎迪, 葛贤亮. 无人机集群控制软件原型设计[J]. 航空学报, 2024, 45(20): 630678-630678.
[7]	李伟, 郭艳, 李宁, 刘存涛, 袁昊. 智能反射面辅助无人机移动边缘计算任务数据最大化方法[J]. 航空学报, 2023, 44(19): 328486-328486.
[8]	李辉, 龙腾, 孙景亮, 徐广通. 基于自适应视线法的无人机三维航迹跟踪方法[J]. 航空学报, 2022, 43(9): 326105-326105.
[9]	高明, 余伟臣, 王杉杉, 王荣闯, 石健将. 太阳能无人机能源系统的多维耦合建模[J]. 航空学报, 2021, 42(7): 224461-224461.
[10]	张宏伟, 达新宇, 胡航, 倪磊, 潘钰. 基于多机协作的认知无人机网络能效联合优化[J]. 航空学报, 2021, 42(6): 324548-324548.
[11]	胡莘婷, 吴宇. 面向城市飞行安全的无人机离散型多路径规划方法[J]. 航空学报, 2021, 42(6): 324383-324383.
[12]	陈雨童, 胡明华, 杨磊, 张昊然, 赵征. 受限航路空域自主航迹规划与冲突管理技术[J]. 航空学报, 2020, 41(9): 324045-324045.
[13]	田磊, 赵启伦, 董希旺, 李清东, 任章. 异构多智能体系统分组输出时变编队跟踪控制[J]. 航空学报, 2020, 41(7): 323727-323727.
[14]	张咪, 赵勇, 布树辉, 张臻炜, 杨君. 基于阶层标识的无人机自主精准降落系统[J]. 航空学报, 2018, 39(10): 322150-322150.
[15]	马培蓓, 雷明, 纪军. 均等通信时滞下多UAV协同编队控制[J]. 航空学报, 2017, 38(S1): 721551-721551.