局部环境地图
Mid-360 激光雷达、RealSense D435 RGB-D 相机、IMU 提供环境与运动数据，FAST-LIO2 输出实时位姿和注册点云。
输入点云、深度、惯性数据输出实时位姿、注册点云、局部地图
过程回放
核心技术一
模型与数据互补融合的
无人蜂群协同感知与自主巡检
系统以激光惯性定位和局部点云为感知基础，由任务协调器分配巡检目标，EGO-Swarm 生成可行轨迹，SAC 根据环境与跟踪状态调整速度上限。模型规划保证轨迹约束，数据驱动策略补充复杂环境中的速度决策。
系统链路
感知定位、协同规划与飞行执行
三部分按照实时数据流连接。定位和局部地图进入规划器，规划结果交给飞控执行，实际位姿与跟踪误差再反馈给速度策略和下一轮轨迹计算。
任务目标与局部轨迹
任务协调器根据无人机位置和巡检分层推进目标。EGO-Swarm 综合任务目标、局部地图和机间预测轨迹，生成B-spline 轨迹。
约束环境障碍、机间冲突、任务顺序输出目标点、等待状态、B-spline 轨迹
PX4 状态闭环
PX4 执行规划轨迹，覆盖起飞、进场、绕塔、换层、退场和返航。飞行状态持续返回协调器与速度决策模块。
输入规划轨迹、动态速度上限反馈实际速度、跟踪误差、任务阶段
传感器观测→FAST-LIO2→任务协调→EGO-Swarm→PX4→状态反馈
分层协同
周向视角互补与垂向区域分区
多机协同不采用固定刚性编队。任务协调器根据实时位置、周向间隔和局部轨迹调整放行与等待状态，使不同无人机承担互补视角和高度区域。
同层协同
相邻视角连续覆盖塔体周向区域
单机 RGB 水平视场约为 69.39°。理想相机朝向条件下，相邻无人机中心角约为67.5°，三机连续瞬时水平视场约为204°，对应约 57% 的塔周角度范围。视场数据描述的是瞬时几何覆盖，不等同于完整任务覆盖率。
异层分工不同无人机对应不同高度区域，同步采集塔体不同部位的观测。
有序放行协调器计算周向间隔，根据实时位置决定推进目标或保持等待。
动态避障共享带时间信息的 B-spline，预测未来位置并检测机间冲突。
速度决策
SAC 动态速度约束与EGO 轨迹规划
SAC 根据环境和飞行状态计算最大速度约束，EGO 在该约束下规划局部B-spline，PX4 负责轨迹执行。速度决策、轨迹规划和飞行控制分别由三个模块完成。
联合状态
3267 维输入描述环境、轨迹和执行偏差
Mid-360 点云经过连续五帧位姿对齐后形成3200 维环境探针；未来轨迹采样为60 维，实际速度和跟踪误差各 3 维，上一时刻速度上限为1 维。
环境探针 · 3200维编码无人机周围的局部障碍分布。
未来轨迹 · 60维描述规划器给出的短期运动趋势。
执行状态 · 7维实际速度、跟踪误差和上一时刻速度上限。
01
SAC Actor
读取联合状态并输出当前最大速度上限。
02
EGO
结合任务目标和局部地图，在速度约束下规划可行轨迹并处理障碍。
03
PX4
执行轨迹并反馈速度与跟踪误差，供下一时刻重新决策。
训练与验证
轻量化仿真训练和当前实验结果
训练环境保留 Mid-360 点云仿真、EGO 规划等关键模块，并用 Gazebo 真值位姿与 Hector 替代部分高开销定位链路。该设置用于降低强化学习交互成本，不代表真实飞行系统已经完成同等条件验证。
关键模块保留
PX4、点云仿真和 EGO 参与闭环交互；Gazebo 推进环境并返回下一状态与奖励。
两阶段优化
第一阶段使用环境先验引导，第二阶段依据飞行反馈优化速度、平滑性、跟踪误差和危险距离。
随机复杂度训练
训练地图覆盖安全、稀疏、中等和密集障碍区，并通过随机种子切换环境布局。
