摘 要：針對(duì)物流無(wú)人機(jī)尚未建立根據(jù)應(yīng)用場(chǎng)景差異開(kāi)展特性研究的問(wèn)題，提出一種應(yīng)用于西南口岸城市末端，即丘陵、山地地形下城郊與鄉(xiāng)村地區(qū)物流無(wú)人機(jī)系統(tǒng)?；谖锪髋渌托枨螅岢鲆环N“路徑規(guī)劃＋圖像配準(zhǔn)投遞” 的雙目標(biāo)模型。利用Ａ* 算法與地面危險(xiǎn)區(qū)域分類，采用一種保證飛行安全的“跳躍式” 路徑規(guī)劃策略；利用“模板＋ＳＵＲＦ” 算法開(kāi)展主動(dòng)判斷，快速定位卸貨點(diǎn)并完成卸貨?；趯?shí)際場(chǎng)景的驗(yàn)證性試驗(yàn)，建立的路徑規(guī)劃模型在避讓山火隱患區(qū)域的前提下，較人工配送效率提高５０％ 以上；所建立圖像配準(zhǔn)模型在耗費(fèi)１４％ 機(jī)載電源的條件下可實(shí)現(xiàn)８８％ 的配準(zhǔn)準(zhǔn)確率，相比傳統(tǒng)ＳＩＦＴ 算法耗電量增加７％ 、準(zhǔn)確率提高５７％ ；相比Ｄｅｓｎｅｔ 算法耗電量降低１８％ 、準(zhǔn)確率降低７％ 。所設(shè)計(jì)系統(tǒng)在丘陵與山區(qū)區(qū)域，以及房屋相似度高的區(qū)域可大大提高物流無(wú)人機(jī)的配送與投遞準(zhǔn)確度。

關(guān)鍵詞：口岸城市末端；物流無(wú)人機(jī)；“跳躍式” 路徑規(guī)劃；圖像配準(zhǔn)

中圖分類號(hào)：ＴＰ３９１ 文獻(xiàn)標(biāo)志碼：Ａ 開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（ＯＳＩＤ）：

文章編號(hào)：１００３－３１０６（２０２４）０６－１５６９－０７

０ 引言

針對(duì)不同領(lǐng)域的獨(dú)特應(yīng)用場(chǎng)景及需求，無(wú)人機(jī)在多領(lǐng)域均已經(jīng)取得了顯著發(fā)展。在城市區(qū)域的物流方面，提供“最后一公里”配送服務(wù)的物流無(wú)人機(jī)因不受限于地面交通，表現(xiàn)出明顯的高效、迅捷等特征。

隨著物流企業(yè)逐步建立起空中配送網(wǎng)絡(luò)，相關(guān)研究在現(xiàn)實(shí)需求下得到了越來(lái)越多的關(guān)注。Ｄｏｒｌｉｎｇ等［１］推導(dǎo)了多旋翼無(wú)人機(jī)的能耗模型，證明了能耗隨負(fù)載和電池質(zhì)量的變化基本呈現(xiàn)出線性關(guān)系。張啟錢等［２］以路徑長(zhǎng)度、能耗以及避障的綜合成本最低為研究對(duì)象，建立起基于Ａ* 的低空無(wú)人機(jī)路由快速搜索模型。考慮到續(xù)航有限的問(wèn)題，周浪［３］建立了遺傳算法推導(dǎo)的“車＋無(wú)人機(jī)”協(xié)同路徑優(yōu)化模型。郭興海等［４］對(duì)無(wú)人機(jī)執(zhí)行配送任務(wù)過(guò)程中的任務(wù)分配、路徑規(guī)劃均開(kāi)展過(guò)程中調(diào)整，建立起以路徑長(zhǎng)度、地形、雷達(dá)威脅和無(wú)人機(jī)碰撞為綜合成本的最優(yōu)規(guī)劃。Ｔｏｒａｂｂｅｉｇｉ 等［５］通過(guò)變預(yù)處理對(duì)最小集覆蓋路徑模型進(jìn)行快速解模。

盡管已經(jīng)建立了一定的研究基礎(chǔ)，物流無(wú)人機(jī)仍難以充分滿足實(shí)際應(yīng)用的需要［６－７］，缺乏針對(duì)特定配送場(chǎng)景的差異化設(shè)計(jì)是導(dǎo)致這一現(xiàn)象的重要原因之一。隨著西南地區(qū)口岸城市建設(shè)及其末端在國(guó)、內(nèi)外貿(mào)易交流中地位與職能的明顯提升，其所承擔(dān)的高價(jià)值時(shí)效商品進(jìn)、出口對(duì)于Ｐｒｏｄｕｃｔｉｏｎ ｔｏＣｏｎｓｕｍｅｒ （Ｐ２Ｃ）“最后一公里”配送有著越發(fā)強(qiáng)烈的高效需求。物流無(wú)人機(jī)恰適應(yīng)這類人口“小聚集、大分散”的特征，配送路徑存在大量包含丘陵、山地地形，地面樹(shù)木、灌木繁茂，地面障礙復(fù)雜的配送環(huán)境。

路徑規(guī)劃是實(shí)現(xiàn)物流無(wú)人機(jī)依據(jù)環(huán)境主動(dòng)調(diào)整的重要前提。已有的物流無(wú)人機(jī)配送路線規(guī)劃模型主要遵行２ 類基本模式：① 起自配送點(diǎn)、止于目的地的直線配送；② 基于導(dǎo)航地圖的既有道路路線規(guī)劃［８－１０］。已有的路徑規(guī)劃研究往往據(jù)上述模式進(jìn)行深化與優(yōu)化，在實(shí)際操作過(guò)程中，模式①配送距離近、線路規(guī)劃簡(jiǎn)單，但存在無(wú)人機(jī)失聯(lián)風(fēng)險(xiǎn)，若發(fā)生于山區(qū)范圍，不僅搜尋成本高，也存在引發(fā)山火等隱患。模式②安全性高、規(guī)劃成本低，但是在盤(pán)山、繞行路的場(chǎng)景下，無(wú)人機(jī)立體配送、不受地形限制的優(yōu)勢(shì)將被大幅削減，配送效率低。此外，部分目的地所在位置沿未被標(biāo)識(shí)的鄉(xiāng)間道路分布，可能導(dǎo)致無(wú)法利用導(dǎo)航地圖規(guī)劃路徑，使得無(wú)人機(jī)飛行路徑規(guī)劃失效，配送任務(wù)無(wú)法完成。基于上述思路，主動(dòng)路徑規(guī)劃優(yōu)化主要可分為以Ａ* 算法為代表的傳統(tǒng)路徑規(guī)劃、以概率地圖法（Ｐｒｏｂａｂｉｌｉｓｔｉｃ Ｒｏａｄｍａｐ Ｍｅｔｈｏｄ，ＰＲＭ）為代表的采樣路徑規(guī)劃、以蟻群算法為代表的智能仿生路徑規(guī)劃［１１－１３］。無(wú)人機(jī)配送過(guò)程需兼顧起飛質(zhì)量與飛行效率，采用現(xiàn)場(chǎng)采集、處理并規(guī)劃的邊緣處理對(duì)機(jī)身能耗管理、搜索效率要求較高，實(shí)際應(yīng)用效果較差。

基于規(guī)劃路徑飛抵目的地，即西南地區(qū)的城郊、鄉(xiāng)村等區(qū)域后，無(wú)人機(jī)面臨當(dāng)?shù)亍巴ピ海珮菞潯狈植季o湊、結(jié)構(gòu)與外形類同度均較高，導(dǎo)致準(zhǔn)確投遞較為困難。通過(guò)無(wú)人機(jī)攜帶微型相機(jī)對(duì)目的地樓頂進(jìn)行圖像匹配識(shí)別，可明顯提高配送卸貨準(zhǔn)確率。當(dāng)前，圖像匹配研究領(lǐng)域已經(jīng)積累了較多的研究成果，主要包括以模板匹配為代表的模式識(shí)別、ＳＵＲＦ 等為代表的特征識(shí)別［１４－１５］、以Ｄｅｓｎｅｔ 網(wǎng)絡(luò)為代表的人工智能識(shí)別［１６－１８］。模板匹配實(shí)現(xiàn)簡(jiǎn)單、計(jì)算代價(jià)小，但只能實(shí)現(xiàn)平移匹配，若原圖像中的匹配目標(biāo)發(fā)生旋轉(zhuǎn)或大小變化，則匹配難以實(shí)現(xiàn)。Ｄｅｓｎｅｔ 網(wǎng)絡(luò)通過(guò)特征重用和旁路（Ｂｙｐａｓｓ）設(shè)置，在減少參數(shù)量的同時(shí)緩解梯度消失、模型退化問(wèn)題，使得目標(biāo)圖像形變后仍可保持較高的識(shí)別準(zhǔn)確率，但是人工智能算法需要樣本進(jìn)行訓(xùn)練，對(duì)處理器要求較高，難以滿足物流無(wú)人機(jī)的能耗管控，故在實(shí)用階段中仍然存在一定的問(wèn)題。由于無(wú)人機(jī)配送的應(yīng)用場(chǎng)景中，自不同視角、距離和環(huán)境進(jìn)行目的地匹配的可能性都極大，故需要采取一種魯棒性強(qiáng)、準(zhǔn)確率高，可適應(yīng)不同條件的圖像匹配算法。

針對(duì)以路徑規(guī)劃中存在的問(wèn)題，結(jié)合２ 類路徑規(guī)劃的特點(diǎn)，采用總體遵循既有道路、局部忽略沿途障礙的方式，通過(guò)“跳點(diǎn)”合理避讓部分地面障礙，采用改進(jìn)Ａ* 算法開(kāi)展飛行線路路徑規(guī)劃，可兼顧配送的安全與效率。同時(shí)，利用無(wú)人機(jī)視覺(jué)，采用“模板＋ＳＵＲＦ”圖像配準(zhǔn)算法，可以實(shí)現(xiàn)準(zhǔn)確定位卸貨位置，增強(qiáng)無(wú)人機(jī)下降過(guò)程的飛行狀態(tài)穩(wěn)定與安全。對(duì)比人工配送與直線飛行路徑規(guī)劃，本文所采用Ａ* 算法通過(guò)判斷危險(xiǎn)區(qū)域?qū)崿F(xiàn)了“跳點(diǎn)”規(guī)劃，較人工配送效率提高５０％ 以上的同時(shí)實(shí)現(xiàn)１００％ 安全飛行；相較傳統(tǒng)特征識(shí)別以及人工智能識(shí)別算法，本文所采用“模板＋ＳＵＲＦ”算法兼顧了運(yùn)算功耗與準(zhǔn)確度，在運(yùn)算功耗比人工智能算法降低５％ ～１８％ 的條件下，準(zhǔn)確率達(dá)到８８％ ；盡管功耗相比傳統(tǒng)ＳＵＲＦ 與ＳＩＦＴ 算法高，但準(zhǔn)確率同樣得到長(zhǎng)足提高。上述實(shí)際場(chǎng)景試驗(yàn)驗(yàn)證了本文所提出算法的在特定場(chǎng)景下（西南地區(qū)口岸末端城郊、鄉(xiāng)村）的有效性與實(shí)用性。

１ 口岸末端無(wú)人機(jī)配送模型

１． １ 場(chǎng)景描述與相關(guān)設(shè)定

某邊境口岸城市下轄農(nóng)村物流配送中心利用無(wú)人機(jī)搭載貨物進(jìn)行“最后一公里”運(yùn)輸，貨物運(yùn)輸采用四旋翼無(wú)人機(jī)，無(wú)人機(jī)攜帶可充電鋰電池，貨物送達(dá)后需返回配送中心。貨物無(wú)人機(jī)的配送高程設(shè)定于非管制高程以保證配送的即時(shí)性與靈活性，同時(shí)無(wú)人機(jī)需通過(guò)識(shí)別地面障礙物及高程保證飛行安全。

本模型的主要架設(shè)包括：① 配送中心位置固定，配送目的地位置已知，且由收貨人提供收貨地點(diǎn)根據(jù)模板拍攝的場(chǎng)景照片；② 無(wú)人機(jī)實(shí)行點(diǎn)對(duì)點(diǎn)的配送方式；③ 無(wú)人機(jī)飛行高度設(shè)置為距離地面３０ ｍ凈高，隨地面高程變化及避讓障礙物而對(duì)應(yīng)調(diào)整飛行高度；④ 無(wú)人機(jī)于滿電狀態(tài)下起飛出發(fā)，飛行狀態(tài)參數(shù)從起飛始設(shè)定數(shù)值范圍，途中飛行狀態(tài)禁止超出設(shè)定值，途中飛行任務(wù)不變更。實(shí)驗(yàn)采用的無(wú)人機(jī)如圖１ 所示。

１． ２ 局部跳躍式路徑規(guī)劃模型

本文改進(jìn)Ａ* 算法示意如圖２ 所示。ｌ１ 與ｌ２ 之間不存在樹(shù)林、草場(chǎng)等障礙物，無(wú)人機(jī)可以實(shí)現(xiàn)Ｐ０到Ｐ５ 位置點(diǎn)的跳躍，在保證安全的前提下，大幅度提高配送效率；而ｌ２ 與ｌ３ 之間存在樹(shù)林、草場(chǎng)等障礙物，無(wú)人機(jī)只能沿公路進(jìn)行配送，以保證配送的安全性。為了兼顧飛行的安全性和經(jīng)濟(jì)性，無(wú)人機(jī)與地面的相對(duì)飛行高度固定在３０ ｍ。標(biāo)準(zhǔn)的Ａ* 算法以起始位置向目標(biāo)進(jìn)行搜尋，從而獲得最小估價(jià)航跡，估價(jià)函數(shù)ｆ（ｎ）如下：

ｆ（ｎ） ＝ ｇ（ｎ）＋ ｈ（ｎ）， （１）

ｈ（ｎ） ＝ （ｘｎ － ｘｇ ）＋ （ｙｎ － ｙｇ ）， （２）

式中：ｇ（ｎ）、ｈ（ｎ）分別為起始位置到當(dāng)前位置的實(shí)際代價(jià)、當(dāng)前位置到目標(biāo)位置的預(yù)估代價(jià)，ｘｎ、ｙｎ 分別為當(dāng)前位置橫、縱坐標(biāo)，ｘｇ、ｙｇ 分別為目標(biāo)位置橫、縱坐標(biāo)。

為此，本文以公路為安全約束，直線為效率約束對(duì)Ａ* 算法進(jìn)行改進(jìn)。如圖２（ａ）所示，設(shè)位置Ｐ′１ 為跳點(diǎn)，跳點(diǎn)間的樹(shù)林、草場(chǎng)障礙物長(zhǎng)度為Ｓｏｂｓｔ，跳點(diǎn)間的可通過(guò)長(zhǎng)度為Ｓｔｕｎｌｅ。建立當(dāng)前位置及其鄰近位置矩陣Ｐ 如下：

常規(guī)無(wú)人機(jī)配送路徑如圖５ 所示，臨滄市紅糖村作為最末端分支快遞服務(wù)站，服務(wù)范圍包含周家村、范家村等１０ 個(gè)鄉(xiāng)村的快遞業(yè)務(wù)。其中，快遞由紅塘村配送至周家，配送路程約８． ５ ｋｍ、配送時(shí)間約６０ ｍｉｎ，效率嚴(yán)重低下。圖５（ａ）為無(wú)人機(jī)基于百度地圖沿公路進(jìn)行配送，該方法路徑規(guī)劃簡(jiǎn)單，無(wú)人機(jī)以３０ ｍ 的相對(duì)高度沿公路進(jìn)行飛行，不需經(jīng)過(guò)林地、草場(chǎng)，安全系數(shù)１００％ ，平均配送時(shí)間為３４ ｍｉｎ，效率對(duì)比人工配送提高４３％ ；圖５（ｂ）為無(wú)人機(jī)沿著目標(biāo)點(diǎn)與配送點(diǎn)的直線距離進(jìn)行飛行，該方法雖然平均配送時(shí)間最短為１５ ｍｉｎ，效率對(duì)比人工配送提高７５％ ，但是傳統(tǒng)算法不能跟隨地形變化而動(dòng)態(tài)改變相對(duì)高度，一般采取相對(duì)起飛點(diǎn)４００ ｍ 的高度進(jìn)行配送以避讓障礙，并且該方法為純直線配送，忽視了配送線路上經(jīng)過(guò)的樹(shù)林（Ｆ），存在墜機(jī)進(jìn)而導(dǎo)致山火的風(fēng)險(xiǎn)，安全系數(shù)為７６％ 。

為此，本文通過(guò)效率和安全系數(shù)作為評(píng)價(jià)指標(biāo)，開(kāi)展基于Ａ* 算法的路徑規(guī)劃，以提高配送效率。其中，安全系數(shù)Ｒｓ 為飛躍樹(shù)林和草場(chǎng)等可能引起山火的時(shí)間占比，定義如下：

Ｒｓ ＝（ ｔ － ｔ′／ｔ） × １００％ ， （１１）

式中：ｔ 為飛行的時(shí)長(zhǎng)、ｔ′為在山火隱患區(qū)飛行時(shí)長(zhǎng)。

２． ２ 跳點(diǎn)式路徑規(guī)劃模型驗(yàn)證

針對(duì)當(dāng)前常用的２ 種無(wú)人機(jī)配送路徑規(guī)劃方法的不足，本文采用基于改進(jìn)Ａ* 算法的無(wú)人機(jī)動(dòng)態(tài)路徑規(guī)劃。根據(jù)本文所設(shè)立場(chǎng)景，即西南山區(qū)，無(wú)人機(jī)航行區(qū)域除人口密集處外，主要為草場(chǎng)與林地。其中，林地需在旱季考慮無(wú)人機(jī)墜落導(dǎo)致的山火風(fēng)險(xiǎn)，而潮濕度較高的雨季則無(wú)需考慮該情況。

針對(duì)草場(chǎng)與林地地區(qū)，本文所設(shè)計(jì)路徑規(guī)劃系統(tǒng)在雨季與旱季的時(shí)節(jié)條件下所規(guī)劃路徑如圖６ 所示。配送方式效果對(duì)比如表１ 所示。雨季時(shí)，本文模型利用式（３）和式（４）不僅避開(kāi)了樹(shù)林（Ｆ），而且計(jì)算出當(dāng)前草場(chǎng)（Ｓ）具備跨越條件，于是在樹(shù)林與草場(chǎng)過(guò)渡點(diǎn)進(jìn)行跳躍，實(shí)現(xiàn)平均配送時(shí)間２０ ｍｉｎ、效率對(duì)比人工配送提高６６． ７％ 的同時(shí)，安全系數(shù)達(dá)到１００％ ；冬季時(shí)，本文模型利用式（３）和式（４）不僅避開(kāi)了樹(shù)林（Ｆ），而且計(jì)算出當(dāng)前草場(chǎng)（Ｓ）不具備跨越條件，在飛過(guò)草場(chǎng)具備跳躍條件時(shí)，再進(jìn)行跳躍，實(shí)現(xiàn)平均配送時(shí)間２６ ｍｉｎ、效率對(duì)比人工配送提高５７％ ，同時(shí)安全系數(shù)達(dá)到１００％ 。

２． ３ 目的地識(shí)別驗(yàn)證與比較

由于所處區(qū)域房屋在外形構(gòu)造、墻面造型與顏色等多方面存在相似性，針對(duì)無(wú)人機(jī)需準(zhǔn)確識(shí)別貨物投送位置的問(wèn)題，本文采取了“模板－識(shí)別”的方式實(shí)現(xiàn)有效定位?？蛻魧⒁勒找欢ㄒ笈臄z卸貨地點(diǎn)，無(wú)人機(jī)根據(jù)用戶預(yù)存照片開(kāi)展匹配識(shí)別，實(shí)驗(yàn)結(jié)果如圖７ 所示，不同算法在實(shí)現(xiàn)圖像匹配的效果對(duì)比情況如表２ 所示。

對(duì)比傳統(tǒng)ＳＵＲＦ 與ＳＩＦＴ 算法，由于本文采取了特征點(diǎn)分類的處理方式，雖然形成的特征點(diǎn)較少，匹配速度較ＳＵＲＦ 低６６％ 、較ＳＩＦＴ 低４３％ ，同時(shí)ＣＰＵ占用率更高，但是在相似物體、背景干擾等復(fù)雜情況下，本文方法匹配準(zhǔn)確率有了大幅度提升，較ＳＵＲＦ提高了５５％ 、ＳＩＦＴ 提高了５９％ 。

由表２ 可以看出，本文所改進(jìn)的ＳＵＲＦ 算法兼顧了識(shí)別準(zhǔn)確率與功耗問(wèn)題，盡管準(zhǔn)確率較ＲＢＦ 低２％ 、較Ｄｅｓｎｅｔ 低７％ ，為８８％ ，但功耗較ＲＢＦ 低８％ 、較Ｄｅｓｎｅｔ 低１６％ ，ＣＰＵ 占用率較ＲＢＦ 低１５％ 、較Ｄｅｓｎｅｔ 低２６％ 。此外，改進(jìn)的模板ＳＵＲＦ 算法無(wú)需訓(xùn)練，在物流配送中實(shí)用性更強(qiáng)。

３ 結(jié)束語(yǔ)

當(dāng)前，物流行業(yè)利用無(wú)人機(jī)執(zhí)行“最后一公里”場(chǎng)景下的配送任務(wù)，以進(jìn)一步提高配送時(shí)效，在一定程度下已經(jīng)成為共識(shí)。但在實(shí)際作業(yè)過(guò)程中，無(wú)人機(jī)多采用通用型系統(tǒng)，沒(méi)有針對(duì)不同地區(qū)采取差異化設(shè)計(jì)。針對(duì)此種情況，本文以西南地區(qū)口岸城市末端為應(yīng)用場(chǎng)景，針對(duì)地形地貌復(fù)雜、既有道路曲折、路徑區(qū)間內(nèi)需避讓障礙物分布較多的特點(diǎn)，提出一種兼顧飛行安全與效率的“跳點(diǎn)”式Ａ* 算法開(kāi)展飛行線路路徑規(guī)劃，該方法以既有道路為基本方案、以林地與草地為環(huán)境障礙，開(kāi)展基于效率和安全系數(shù)為約束的路徑規(guī)劃。同時(shí)，針對(duì)目的地區(qū)域樓棟相似度較高，以及飛行角度與照片模板角度往往差異較大的情況，提出采用“模板＋ＳＲＵＦ”算法的圖像配準(zhǔn)手段，從而實(shí)現(xiàn)準(zhǔn)確定位卸貨位置。

根據(jù)實(shí)際場(chǎng)景的驗(yàn)證情況，本文路徑規(guī)劃算法兼顧效率與安全，實(shí)現(xiàn)了在安全系數(shù)１００％ 條件下配送效率的提高，實(shí)現(xiàn)了在功耗僅為１５％ 左右條件下目的地識(shí)別準(zhǔn)確率達(dá)到８８％ 的效果。對(duì)比已有的物流無(wú)人機(jī)系統(tǒng)，本文所設(shè)計(jì)系統(tǒng)在山區(qū)這一特定場(chǎng)景下的配送效率與功耗具備較為明顯的優(yōu)勢(shì)。后續(xù)工作中，將在本文基礎(chǔ)上考慮集群物流無(wú)人機(jī)系統(tǒng)的設(shè)計(jì)，以進(jìn)一步提供及時(shí)的配送服務(wù)。

參考文獻(xiàn)

［１］ ＤＯＲＬＩＮＧ Ｋ，ＨＥＩＮＲＩＣＨＳ Ｊ，ＭＥＳＳＩＥＲ Ｇ Ｇ，ｅｔ，ａｌ．Ｖｅｈｉｃｌｅ Ｒｏｕｔｉｎｇ Ｐｒｏｂｌｅｍｓ ｆｏｒ Ｄｒｏｎｅ Ｄｅｌｉｖｅｒｙ ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｓｙｓｔｅｍｓ，Ｍａｎ，ａｎｄ Ｃｙｂｅｒｎｅｔｉｃｓ：Ｓｙｓｔｅｍｓ，２０１７，４７（１）：７０－８５．

［２］ 張啟錢，許衛(wèi)衛(wèi)，張洪海，等． 復(fù)雜低空物流無(wú)人機(jī)路徑規(guī)劃［Ｊ］． 北京航空航天大學(xué)學(xué)報(bào)，２０２０，４６ （７）：１２７５－１２８６．

［３］ 周浪． 農(nóng)村電商物流配送“配送車＋無(wú)人機(jī)”路徑優(yōu)化研究［Ｄ］． 武漢：武漢理工大學(xué)，２０１７．

［４］ 郭興海，計(jì)明軍，溫都蘇，等． “最后一公里”配送的分布式多無(wú)人機(jī)的任務(wù)分配和路徑規(guī)劃［Ｊ］． 系統(tǒng)工程理論與實(shí)踐，２０２１，４１（４）：９４６－９６１．

［５］ ＴＯＲＡＢＢＥＩＧＩ Ｍ，ＬＩＭ Ｇ Ｊ，ＫＩＭ Ｓ Ｊ，ｅｔ，ａｌ． Ｄｒｏｎｅ ＤｅｌｉｖｅｒｙＳｃｈｅｄｕｌｉｎｇ Ｏｐｔｉｍｉｚａｔｉｏｎ Ｃｏｎｓｉｄｅｒｉｎｇ ＰａｙｌｏａｄｉｎｄｕｃｅｄＢａｔｔｅｒｙ Ｃｏｎｓｕｍｐｔｉｏｎ Ｒａｔｅｓ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｉｎｔｅｌｌｉｇｅｎｔ ＆Ｒｏｂｏｔｉｃ Ｓｙｓｔｅｍｓ，２０２０，９７（３）：４７１－４８７．

［６］ 陳存糧． 無(wú)人機(jī)末端物流配送算法研究［Ｄ］． 西安：西安電子科技大學(xué)，２０２１．

［７］ 張洪海，任真蘋(píng)，馮謳歌，等． 城市低空物流無(wú)人機(jī)飛行計(jì)劃預(yù)先調(diào)配［Ｊ］． 系統(tǒng)工程與電子技術(shù)，２０２３，４５（９）：２８０２－２８１１．

［８］ 蔣麗，楊露，梁昌勇，等． 基于無(wú)人機(jī)的高層住宅最后“一百米”配送優(yōu)化［Ｊ］． 交通運(yùn)輸系統(tǒng)工程與信息，２０２２，２２（４）：２３６－２４５．

［９］ 李?yuàn)?，張洪海，劉？?基于改進(jìn)元胞自動(dòng)機(jī)算法的物流無(wú)人機(jī)航路規(guī)劃［Ｊ ／ ＯＬ］． 華中科技大學(xué)學(xué)報(bào)（自然科學(xué)版）：１－７［２０２３－０８－１０］． ｈｔｔｐｓ：∥ｄｏｉ． ｏｒｇ ／ １０． １３２４５ ／ｊ． ｈｕｓｔ． ２３８４７５．

［１０］ 劉光才，馬寅松，齊福強(qiáng)，等． 基于改進(jìn)Ａ* －人工勢(shì)場(chǎng)法的城市物流無(wú)人機(jī)路徑規(guī)劃［Ｊ］． 飛行力學(xué)，２０２２，４０（６）：１６－２３．

［１１］ ＢＥＩＳＨＥＮＡＬＩＥＶＡ Ａ，ＹＯＯ Ｓ Ｊ． Ｍｕｌｔｉｏｂｊｅｃｔｉｖｅ ３Ｄ ＵＡＶＭｏｖｅｍｅｎｔ Ｐｌａｎｎｉｎｇ ｉｎ Ｗｉｒｅｌｅｓｓ Ｓｅｎｓｏｒ Ｎｅｔｗｏｒｋｓ ＵｓｉｎｇＢｉｏｉｎｓｐｉｒｅｄ Ｓｗａｒｍ Ｉｎｔｅｌｌｉｇｅｎｃｅ ［Ｊ ］． ＩＥＥＥ Ｉｎｔｅｒｎｅｔ ｏｆＴｈｉｎｇｓ Ｊｏｕｒｎａｌ，２０２３，１０（９）：８０９６－８１１０．

［１２］ ＬＩ Ｄ Ｃ，ＹＩＮ Ｗ Ｐ，ＷＯＮＧ Ｗ Ｅ，ｅｔ，ａｌ． ＱｕａｌｉｔｙｏｒｉｅｎｔｅｄＨｙｂｒｉｄ Ｐａｔｈ Ｐｌａｎｎｉｎｇ Ｂａｓｅｄ ｏｎ Ａ* ａｎｄ Ｑｌｅａｒｎｉｎｇ ｆｏｒＵｎｍａｎｎｅｄ Ａｅｒｉａｌ Ｖｅｈｉｃｌｅ ［Ｊ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０２２，１０：７６６４－７６７４．

［１３］ ＦＵ Ｊ Ｙ，ＳＵＮ Ｇ Ｈ，ＹＡＯ Ｗ Ｒ，ｅｔ，ａｌ． Ｏｎ Ｔｒａｊｅｃｔｏｒｙ Ｈｏｍｏｔｏｐｙ ｔｏ Ｅｘｐｌｏｒｅ ａｎｄ Ｐｅｎｅｔｒａｔｅ Ｄｙｎａｍｉｃａｌｌｙ ｏｆ ＭｕｌｔｉＵＡＶ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｓｙｓｔｅｍｓ，２０２２，２３（１２）：２４００８－２４０１９．

［１４］ 崔昊楊，周坤，張宇，等． 電力設(shè)備多光譜圖像融合及多參量影響的故障漸變規(guī)律演化預(yù)測(cè)研究［Ｊ］． 電網(wǎng)技術(shù)，２０２１，４５（１）：１１５－１２５．

［１５］ 陳賢兒，梁丹，傅云龍，等． Ｈａｒｒｉｓ 與ＳＵＲＦ 特征點(diǎn)檢測(cè)的手術(shù)器械機(jī)器視覺(jué)識(shí)別方法［Ｊ］． 傳感器與微系統(tǒng)，２０２３，４２（２）：１１８－１２１．

［１６］ 高玉潼，雷為民，原癑． 復(fù)雜環(huán)境下基于聚類分析的人臉目標(biāo)識(shí)別［Ｊ］． 計(jì)算機(jī)科學(xué)，２０２０，４７（７）：１１１－１１７．

［１７］ 王國(guó)杰，胡一凡，張森，等． 深度卷積神經(jīng)網(wǎng)絡(luò)的遙感〗影像水體識(shí)別［Ｊ］． 遙感學(xué)報(bào)，２０２２，２６（１１）：２３０４ －２３１６．

［１８］ ＡＤＥＫＡＮＭＩ Ａ Ａ，ＳＥＲＥＳＴＩＮＡ Ｖ． ＦＣＮｂａｓｅｄ ＤｅｎｓｅＮｅｔＦｒａｍｅｗｏｒｋ ｆｏｒ Ａｕｔｏｍａｔｅｄ Ｄｅｔｅｃｔｉｏｎ ａｎｄ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆＳｋｉｎ Ｌｅｓｉｏｎｓ ｉｎ Ｄｅｒｍｏｓｃｏｐｙ Ｉｍａｇｅｓ ［Ｊ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０２０，８：１５０３７７－１５０３９６．

作者簡(jiǎn)介

楊 曉 女，（１９９３—），碩士，講師。主要研究方向：口岸物流、物流管理。

（*通信作者）姚 敏 男，（１９７９—），碩士，副教授。主要研究方向：區(qū)域經(jīng)濟(jì)及管理。

基金項(xiàng)目：云南省科技廳科技計(jì)劃項(xiàng)目（２０２１０１ＢＡ０７０００１－００６）；云南省哲學(xué)社會(huì)科學(xué)規(guī)劃項(xiàng)目（ＱＮ２０２２１８）