未知環(huán)境下無人機集群協(xié)同區(qū)域搜索算法

侯岳奇， 梁曉龍,*， 何呂龍， 劉流

(1. 空軍工程大學(xué) 國家空管防相撞技術(shù)重點實驗室, 西安 710051；2. 空軍工程大學(xué) 陜西省電子信息系統(tǒng)綜合集成重點實驗室, 西安 710051)

隨著高精度影像設(shè)備與技術(shù)的快速發(fā)展，攜帶照相設(shè)備的無人機(Unmanned Aerial Vehicle，UAV)在民用和軍事領(lǐng)域得到了廣泛應(yīng)用，例如環(huán)境監(jiān)測、戰(zhàn)場監(jiān)視以及目標(biāo)搜索等[1-2]。無人機集群通過無人機之間的協(xié)同合作，從而實現(xiàn)整體能力上的涌現(xiàn)，即系統(tǒng)涌現(xiàn)出的能力遠超系統(tǒng)內(nèi)單架無人機能力的總和[3-4]。相比于單架無人機，利用多架無人機協(xié)同執(zhí)行區(qū)域搜索任務(wù)得到了越來越廣泛的關(guān)注[5-6]。

針對協(xié)同搜索問題，諸多學(xué)者進行了深入的探索并取得豐碩的成果。離線規(guī)劃方法[7-9]將任務(wù)區(qū)域進行分割，設(shè)計各個子區(qū)域的覆蓋搜索航線，飛行航線固定。該方法的優(yōu)勢在于能夠?qū)崿F(xiàn)任務(wù)區(qū)域的全覆蓋，而在無人機故障、火力威脅等突發(fā)情況下該方法受限。文獻[5]使用笛卡兒柵格描述環(huán)境，賦予每個柵格一個值代表目標(biāo)分布的不確定性，設(shè)計了搜索回報函數(shù)和禁飛區(qū)回避策略。在有先驗信息的情況下，該方法可以實現(xiàn)重點偵察和覆蓋搜索。文獻[10]在文獻[5]的基礎(chǔ)上，考慮通信約束，分析了不同通信約束對協(xié)同搜索效率的影響。在通信距離和角度有約束的情況下，該方法能夠較好地實現(xiàn)協(xié)同區(qū)域搜索。此類方法依賴先驗信息來建立概率地圖，然而在實際應(yīng)用中，先驗信息的獲取和柵格量化是十分困難的。文獻[11]設(shè)計了基于信息素的網(wǎng)格回訪機制，引導(dǎo)無人機對目標(biāo)存在概率較大的區(qū)域進行回訪搜索，使得無人機能夠盡早搜索到更多目標(biāo)。上述方法[5,10-11]均假設(shè)無人機在相鄰柵格之間運動，這種“粗粒度”的運動模型雖然簡化了協(xié)同搜索決策的解空間，但卻在一定程度上降低了決策結(jié)果的精細程度。文獻[12-14]基于分布式模型預(yù)測控制框架，采用納什最優(yōu)和粒子群優(yōu)化相結(jié)合的算法，有效地降低了協(xié)同搜索決策問題的求解規(guī)模和通信負擔(dān)。雖然上述研究在一定程度上使多無人機具備了協(xié)同搜索的能力，但仍存在區(qū)域覆蓋率較低的問題。存在這一問題的原因在于：缺少專門的引導(dǎo)機制，來引導(dǎo)無人機向未覆蓋區(qū)域進行搜索。

在執(zhí)行區(qū)域搜索任務(wù)時，無人機故障和環(huán)境中火力威脅等突發(fā)情況的影響是不容忽視的?？紤]到傳統(tǒng)的離線規(guī)劃方法難以應(yīng)對突發(fā)情況，本文提出了一種以覆蓋率為實時搜索獎勵的協(xié)同區(qū)域搜索算法，以改善一般在線規(guī)劃搜索方法覆蓋率不高的問題。

1 協(xié)同搜索問題建模

1.1 問題描述

多無人機協(xié)同搜索問題主要分為2類[15]：第1類是在環(huán)境信息已知的條件下，根據(jù)先驗信息對區(qū)域進行搜索，以盡快發(fā)現(xiàn)目標(biāo)，或者對重點區(qū)域進行監(jiān)控；第2類是在環(huán)境信息未知的條件下，對區(qū)域進行覆蓋。本文針對第2類問題展開研究。UAV集群攜帶通信設(shè)備和照相設(shè)備對特定任務(wù)區(qū)域展開搜索，區(qū)域內(nèi)目標(biāo)的位置分布未知，如圖1所示。

UAV按照實時規(guī)劃的航路對任務(wù)區(qū)域展開搜索，并通過通信組網(wǎng)模塊進行實時通信，為實時決策提供信息支撐，通信內(nèi)容包括UAV狀態(tài)、環(huán)境信息和決策信息等。當(dāng)某架UAV出現(xiàn)故障時，傳統(tǒng)的離線規(guī)劃方法難以適應(yīng)性地完成搜索任務(wù)。相比而言，在線規(guī)劃方法魯棒性更強，在出現(xiàn)突發(fā)情況時，無人機集群能夠繼續(xù)保持協(xié)同，自組織地完成搜索任務(wù)。因此，本文主要研究如何建立一種高效的區(qū)域覆蓋在線規(guī)劃方法，確保UAV集群在盡可能短的時間內(nèi)對區(qū)域進行覆蓋。

圖1 UAV集群協(xié)同搜索示意圖Fig.1 Schematic diagram of UAV swarm cooperative search

1.2 環(huán)境模型

設(shè)任務(wù)區(qū)域Ω為Lx×Ly的矩形區(qū)域，將區(qū)域按照固定間隔Δd柵格化為M×N個柵格，如圖2所示。

賦予每個柵格一個值μij(k)，用于描述截止到k時刻為止柵格(i,j)是否已被覆蓋。為簡化分析，做出如下假設(shè)：一旦柵格(i,j)處于UAV傳感器探測范圍內(nèi)，則認為該柵格已被覆蓋，且柵格內(nèi)的目標(biāo)存在情況完全已知。柵格的狀態(tài)μij(k)表示為

(1)

式中：Ωc(k)為已覆蓋的柵格集合；Ωnc(k)為未覆蓋的柵格集合。任務(wù)區(qū)域Ω為Ωc(k)和Ωnc(k)的總和。構(gòu)建覆蓋分布地圖(Coverage Distribution Map,CDM)來描述任務(wù)區(qū)域的覆蓋分布情況，用矩陣形式來表示覆蓋分布地圖，定義環(huán)境矩陣為

C(k)=[μij(k)]M×N

(2)

在搜索開始前，由于整個區(qū)域的環(huán)境信息完全未知，且需要對整個區(qū)域展開覆蓋搜索，因此每個柵格的值μij(0)=1；隨著搜索的進行，μij(k)實時變化，覆蓋分布地圖實時更新，并在UAV集群內(nèi)共享，為UAV的實時決策提供環(huán)境信息。

圖2 任務(wù)區(qū)域柵格化Fig.2 Mission area rasterization

1.3 UAV模型

為簡化分析，假設(shè)UAV在任務(wù)區(qū)域上空等高度飛行，并將UAV視為二維空間中運動的質(zhì)點，其運動方程為

(3)

式中：[xi(k),yi(k)]為UAV的位置；φi(k)=φi(k-1)+Δφi(k)，φi為航向角，Δφi∈[-φmax,φmax]為航向偏轉(zhuǎn)角，為決策輸入，φmax為受機動性能限制下的最大轉(zhuǎn)彎角；v0為平飛速度；Δt為時間步長。

將UAV集群視為一個控制系統(tǒng)，并將每架UAV視為一個子系統(tǒng)。k時刻，記子系統(tǒng)UAVi的狀態(tài)為pi(k)=(xi(k),yi(k),φi(k))。狀態(tài)方程為

pi(k+1)=f(pi(k),ui(k))

(4)

式中：ui(k)=Δφi(k)為子系統(tǒng)UAVi的輸入；f(·)為狀態(tài)轉(zhuǎn)移函數(shù)，由式(3)確定。

根據(jù)式(4)，建立子系統(tǒng)UAVi的預(yù)測模型為

i=1,2,…,n;j=1,2,…,H

(5)

式中：n為UAV架數(shù)；H為預(yù)測周期；pi(k+j|k)為基于k+j-1時刻UAVi狀態(tài)預(yù)測的k+j時刻的UAVi狀態(tài)，其值取決于狀態(tài)pi(k+j-1|k)和控制輸入ui(k+j-1|k)。

從k時刻起，給定H步預(yù)測控制輸入后，可以預(yù)測出未來H步以內(nèi)UAV的航路，如圖3所示。通過優(yōu)化預(yù)測控制輸入，來引導(dǎo)UAV盡可能向尚未被覆蓋的區(qū)域進行搜索，以獲得更高的區(qū)域覆蓋率。

圖3 H步預(yù)測航路圖Fig.3 H step route prediction

2 覆蓋分布地圖更新方法

覆蓋分布地圖描述了任務(wù)區(qū)域的覆蓋搜索情況，是UAV進行自主決策的重要依據(jù)。因此，如何快速更新覆蓋分布地圖，對在線實時決策具有重要意義。

覆蓋分布地圖的更新就是將傳感器探測范圍內(nèi)覆蓋部分的相應(yīng)柵格置為0。通過逐一判斷鄰近柵格到UAV之間的距離是否小于傳感器探測距離，并對覆蓋范圍內(nèi)的柵格進行逐一賦值，可以實現(xiàn)覆蓋分布地圖的更新，但這種遍歷的方法運算量大、算法復(fù)雜度高，不利于實時更新。本文利用Hadamard積進行覆蓋分布地圖更新，操作簡單且易于實現(xiàn)，避免了遍歷判斷和逐一賦值，其流程如圖4所示。

圖4中探測矩陣和環(huán)境子矩陣的定義，以及對其進行Hadamard積的運算過程將在2.1節(jié)和 2.2節(jié)中詳細介紹。

圖4 覆蓋分布地圖更新流程Fig.4 Update process of coverage distribution map

2.1 探測矩陣

本文將傳感器探測范圍簡化為：UAV所處位置為中心，半徑為Rs的圓形區(qū)域。如圖5所示，正方形區(qū)域記為Ψ，將區(qū)域Ψ柵格化為Q×Q個柵格。

(6)

式中：Rs為傳感器探測半徑；「?為向上取整函數(shù)。

賦予每個柵格一個值ηpq，用于描述UAV傳感器能否探測到該柵格。若柵格(p,q)處于UAV傳感器探測范圍內(nèi)，則令ηpq=0，反之，ηpq=1。ηpq表示為

(7)

式中：Ψc為傳感器可探測區(qū)域；Ψnc為不可探測區(qū)域。區(qū)域Ψ為Ψc和Ψnc的總和。

圖5 區(qū)域Ψ柵格化Fig.5 Region Ψ rasterization

以ηpq為元素建立探測矩陣D=[ηpq]Q×Q，表示UAV對鄰近柵格的覆蓋能力。

2.2 覆蓋分布地圖的更新

定義環(huán)境子矩陣C(mn)(k)：在環(huán)境矩陣C(k)中，以μmn(k)為中心元素，維度為Q×Q的子塊矩陣，稱為環(huán)境子矩陣。

(8)

(9)

當(dāng)UAV處于柵格(m,n)內(nèi)時，可近似認為UAV處于該柵格的中心。此時，環(huán)境子矩陣C(mn)(k)與探測矩陣D重合，且維度相等。對上述2個矩陣做Hadamard積

C(mn)(k+1)=C(mn)(k)°D=

(10)

式中:“°”為Hadamard積運算；p,q=1,2,…,Q。

假設(shè)傳感器的探測周期為Ts，以Ts為時間間隔將UAV從k到k+1時刻的直線運動離散為運動點跡。對每個離散點做上述運算，即可實現(xiàn)一個步長內(nèi)覆蓋分布地圖的更新。

2.3 覆蓋分布地圖的信息融合

文獻[16]提出了一種地圖信息融合更新方法，該方法適用于通信理想的情況，在通信中斷或數(shù)據(jù)丟包的情況下，部分地圖信息無法融合更新，對搜索過程造成影響。因此，本文提出基于Hadamard積的地圖信息融合方法(見圖6)，能夠在一定程度上減小通信中斷或數(shù)據(jù)丟包對搜索過程的影響。

在協(xié)同搜索過程中，各UAV在本機進行覆蓋分布地圖更新，更新完畢后通過通信網(wǎng)絡(luò)廣播發(fā)送實現(xiàn)融合共享。k時刻，UAVi本地的覆蓋分布地圖對應(yīng)的環(huán)境矩陣記為Ci(k)，并接收到其他UAV的廣播消息記為Cj≠i(k)?；贖adamard積可實現(xiàn)各UAV覆蓋分布地圖的信息融合：

(11)

與文獻[16]方法相比，基于Hadamard積的地圖信息融合方法共享的探測信息為環(huán)境矩陣Ci(k)，是地圖的全局信息。假如k時刻數(shù)據(jù)丟包或通信中斷，當(dāng)前時刻的探測信息會丟失，地圖信息無法更新。一旦k+x時刻通信恢復(fù)正常，環(huán)境矩陣Ci(k+x)中已包含了k到k+x時刻的歷史探測信息，經(jīng)過基于Hadamard積的地圖信息融合方法更新后，丟失的歷史探測信息就得以恢復(fù)。雖然k到k+x時刻通信中斷會影響當(dāng)前搜索決策，但是通信恢復(fù)后所有歷史信息得到恢復(fù)，k+x時刻之后的搜索過程不會受到影響。

圖6 基于Hadamard積的地圖信息融合示意圖Fig.6 Schematic diagram of map information fusion based on Hadamard product

3 獎勵函數(shù)與搜索算法

3.1 搜索獎勵函數(shù)

協(xié)同搜索的關(guān)鍵在于設(shè)計一個搜索獎勵函數(shù)，對每條預(yù)測航路進行評估[5]。獎勵的設(shè)定主要是一個步長內(nèi)覆蓋率增量的大小，并依據(jù)邊界條件和轉(zhuǎn)彎角度設(shè)計懲罰函數(shù)。在搜索過程中，UAV基于當(dāng)前狀態(tài)和覆蓋分布地圖，利用搜索獎勵函數(shù)對預(yù)測航路進行評估，并自主地選擇獎勵值最大的航路作為決策輸入。每架UAV使用搜索獎勵函數(shù)J選擇它的搜索航路：

J(pi(k),ui(k))=ω1γJC(k)+

ω2JT(k)+ω3JB(k)

(12)

式中：JC為覆蓋率增量；JT和JB分別為轉(zhuǎn)彎角度和邊界距離的懲罰函數(shù)；ω1、ω2和ω3為相應(yīng)權(quán)重；γ為重要性因子，覆蓋率的重要性通過調(diào)整γ來體現(xiàn)，γ≥1。

k時刻的區(qū)域覆蓋率O(k)是已搜索區(qū)域Ωc(k)占任務(wù)區(qū)域Ω的面積比，即已搜索柵格數(shù)量與總柵格數(shù)量的比值：

(13)

k到k+1時刻的覆蓋率增量是指O(k+1)與O(k)的差值。實際意義為：k時刻，未搜索區(qū)域Ωnc(k)中，在k到k+1時刻內(nèi)被搜索到的區(qū)域占任務(wù)區(qū)域Ω的面積比。覆蓋率獎勵函數(shù)為

JC(k)=O(k+1)-O(k)=

(14)

在執(zhí)行任務(wù)過程中，若轉(zhuǎn)彎角度過大，導(dǎo)致耗油增大，影響續(xù)航時間。因此，設(shè)計一個懲罰函數(shù)，盡可能減少UAV轉(zhuǎn)彎角度過大引起的耗油代價。轉(zhuǎn)彎角度的懲罰函數(shù)JT可以表示為

(15)

在搜索過程中，距離邊界越近，傳感器覆蓋的有效區(qū)域越少，效率越低。借鑒虛擬勢函數(shù)的思想，設(shè)計一個懲罰函數(shù)，靠近邊界的UAV會受到邊界的虛擬“斥力”，距離邊界越近則“斥力”越大。因此，邊界距離的懲罰函數(shù)JB可以表示為

(16)

(17)

3.2 基于DMPC和DE的協(xié)同搜索算法

模型預(yù)測控制(Model Predictive Control，MPC)是一種利用控制系統(tǒng)模型和優(yōu)化技術(shù)設(shè)計預(yù)測周期內(nèi)系統(tǒng)最優(yōu)控制輸入的方法，核心思想是滾動優(yōu)化求解[17]。集中式MPC方法依賴中央節(jié)點進行決策，限制了系統(tǒng)規(guī)模的擴展和決策速度，在實際應(yīng)用中有一定局限性[14,18]?？紤]到UAV子系統(tǒng)之間不存在耦合性，即不同UAV的控制是相對獨立的，它們在系統(tǒng)的動態(tài)特性上并沒有關(guān)聯(lián)。為提高整個系統(tǒng)的抗毀性和決策速度，其控制結(jié)構(gòu)可以采用分布式模型預(yù)測控制(Distributed Model Predictive Control，DMPC)方式[19]，如圖7所示。

MPCi決策流程分為3步。

步驟1預(yù)測

圖7 DMPC框架示意圖Fig.7 Schematic diagram of DMPC framework

圖8 MPCi決策流程Fig.8 Decision-making process of MPCi

在預(yù)測階段，每架UAV基于本地覆蓋地圖和自身狀態(tài)進行優(yōu)化求解，而不考慮其他UAV的運動，即UAV之間不進行協(xié)同。根據(jù)式(17)，求解UAVi的H步預(yù)測控制輸入的優(yōu)化模型可以描述為

(18)

步驟2通信

步驟3決策

(19)

搜索決策過程的算法偽代碼如下：

1 初始化任務(wù)參數(shù)

2 fork= 1 tokmax

9 將Ci(k)更新為Ci(k+1)

10 ifO(k+1) ≥ 設(shè)定閾值

11 break

12 end if

13 end for

控制輸入Ui(k)中包含H個未知變量，此優(yōu)化問題是一個非線性優(yōu)化問題?？紤]到DE算法在求解優(yōu)化問題，尤其是非線性優(yōu)化問題中的優(yōu)勢[20]，采用DE算法進行子系統(tǒng)本地優(yōu)化求解，算法細節(jié)不再贅述。

4 仿真分析

為驗證本文方法的有效性，本節(jié)對其進行仿真驗證。仿真環(huán)境為I7-4960，主頻2.60 GHz，16 GB內(nèi)存，基于MATLAB 2014a為平臺進行仿真實驗。

4.1 實 驗 1

設(shè)任務(wù)區(qū)域為8 km×8 km的矩形區(qū)域，每個柵格大小為20 m×20 m。執(zhí)行搜索任務(wù)的4架UAV從不同位置進入搜索區(qū)域，其進入點坐標(biāo)分別為(200,0) m，(2 200,0) m，(4 200,0) m，(6 200,0) m。UAV之間的通信均為理想條件。UAV平飛速度v0=30 m/s，傳感器探測半徑Rs=200 m，最大轉(zhuǎn)彎角φmax=60°，仿真步長Δt=10 s，預(yù)測步長H=3，ω1=0.9，ω2=0.05，ω3=0.05，γ=200。設(shè)定仿真環(huán)境條件：任務(wù)環(huán)境為無遮擋的平地區(qū)域，任務(wù)區(qū)域中存在分布未知的火力威脅，有一定幾率造成UAV設(shè)備故障。在仿真中加入突發(fā)情況來模擬這一環(huán)境條件：運行至20步長時，假定UAV1設(shè)備故障，停止執(zhí)行任務(wù)；運行至100步長時，假定UAV3設(shè)備故障，停止執(zhí)行任務(wù)。為體現(xiàn)本文算法的優(yōu)勢，分別運用平行搜索、隨機搜索和本文算法進行對比仿真。仿真結(jié)果如圖9所示(圖中黑色區(qū)域為UAV傳感器未覆蓋的區(qū)域)。

圖9 3種搜索方法的仿真結(jié)果Fig.9 Simulation results of three search methods

如圖9(a)所示，在2架友機相繼發(fā)生故障的情況下，UAV2和UAV4只完成了各自預(yù)先分配的搜索任務(wù)，故障UAV未完成的搜索任務(wù)得不到繼續(xù)執(zhí)行。如圖9(b)所示，隨機搜索方法作為一種無引導(dǎo)機制的在線規(guī)劃方法，在任務(wù)過程中多處存在UAV航跡交叉重疊的情況，搜索效率較低。如圖9(c)所示，在搜索初始階段，各UAV之間保持傳感器探測范圍盡可能不重疊，實現(xiàn)較高的覆蓋率增長。在2架友機相繼故障的情況下，UAV2和UAV4通過實時協(xié)同，保持原有的搜索策略，充分發(fā)揮各自的搜索能力，繼續(xù)完成搜索任務(wù)?？偟膩砜?，本文算法各UAV探測區(qū)域之間重疊部分較少，在出現(xiàn)突發(fā)情況時，能夠繼續(xù)完成搜索任務(wù)，體現(xiàn)了無人機集群在線協(xié)同的優(yōu)勢。

為消除隨機因素的影響，在相同仿真條件下，針對本文算法和隨機搜索方法使用蒙特卡羅方法進行500次仿真，得到平均覆蓋率隨時間變化曲線如圖10所示。

圖10 3種搜索方法的覆蓋率變化曲線Fig.10 Coverage rate changing curve of three search methods

如圖10所示，平行搜索方法和本文算法覆蓋率高于隨機搜索方法。平行搜索方法的覆蓋率變化曲線呈折線狀：當(dāng)某架UAV發(fā)生故障時，覆蓋率曲線的斜率隨之降低；當(dāng)UAV到達邊界時，執(zhí)行轉(zhuǎn)彎程序，覆蓋率斜率為零。在搜索初期，本文算法與平行搜索方法覆蓋率曲線斜率基本一致，體現(xiàn)了較高的搜索效率。當(dāng)UAV2和UAV4完成各自的搜索任務(wù)后，平行搜索方法的覆蓋率保持不變。相比之下，本文算法在UAV1和UAV3發(fā)生故障后，仍能保持覆蓋率的穩(wěn)定增長，最終任務(wù)結(jié)束時的覆蓋率遠高于平行搜索方法。

4.2 實 驗 2

針對本文算法在集群規(guī)模較大時的有效性進行驗證，采用10架無人機組成的無人機集群進行仿真。設(shè)任務(wù)區(qū)域為15 km×15 km的矩形區(qū)域，執(zhí)行搜索任務(wù)的10架UAV的初始位置和航向由程序隨機產(chǎn)生，UAV故障隨機指定：設(shè)定UAV2、UAV3、UAV8、UAV9和UAV10分別于仿真步數(shù)為185、120、175、170和165時發(fā)生故障，其他仿真條件同實驗1。用本文算法進行仿真，仿真步數(shù)step為100和230時的仿真結(jié)果如圖11所示。

由圖11(a)可以看出，在搜索初期，10架UAV保持傳感器探測范圍盡可能不重疊，以獲得較高的覆蓋率增長。由圖11(b)可以看出，在搜索后期，由于未搜索區(qū)域被分割成多個不規(guī)則的形狀，UAV航路出現(xiàn)了部分交叉，但本文算法還是能夠引導(dǎo)UAV盡可能向未搜索區(qū)域移動。搜索過程中覆蓋率變化曲線如圖12所示。

如圖12所示，在搜索前期，覆蓋率增長速度較快，覆蓋率隨時間變化曲線的斜率保持穩(wěn)定。到搜索后期，由于出現(xiàn)重復(fù)搜索的情況，覆蓋率增長放緩，斜率逐漸降低。當(dāng)搜索時間到達38.33 min時，覆蓋率達到了90.13%，有效地對區(qū)域進行了覆蓋。仿真結(jié)果表明，在集群規(guī)模達到10 架的情況下，本文算法能夠較好地完成搜索任務(wù)。

圖11 本文算法仿真結(jié)果Fig.11 Simulation result of proposed algorithm

圖12 本文算法覆蓋率變化曲線Fig.12 Coverage rate changing curve of proposed algorithm

5 結(jié) 論

1) 本文算法在實驗仿真條件下能實現(xiàn)較高的區(qū)域覆蓋率，尤其是在出現(xiàn)突發(fā)情況時，覆蓋率遠高于平行搜索方法，體現(xiàn)了無人機集群在線協(xié)同的優(yōu)勢。

2) 以覆蓋率作為實時搜索獎勵的引導(dǎo)機制，有利于引導(dǎo)UAV向未搜索區(qū)域運動，并協(xié)同各UAV之間探測區(qū)域重疊部分盡可能少，以實現(xiàn)更高的覆蓋率。

3) 利用Hadamard積可實現(xiàn)覆蓋分布地圖的快速更新，避免了遍歷判斷和逐一賦值，且操作簡單、運算速度快，為地圖信息實時更新提供了便捷。

4) 采用DMPC框架進行滾動優(yōu)化求解，將長期的搜索獎勵考慮在內(nèi)，并且可以提高系統(tǒng)的抗毀性和決策速度。

本文算法在通信理想的條件下實現(xiàn)了對任務(wù)區(qū)域的有效覆蓋搜索，但針對通信距離和角度約束的情況，尚需進行更加深入的后續(xù)研究。