基于MATLAB的植保无人机全覆盖路径规划与遗传算法优化

简介：本资源是一套面向农业自动化与智能控制领域的MATLAB实践项目，专为具备基础编程与优化算法知识的高校学生、科研人员及农业无人机开发者设计，聚焦多无人机协同农药喷洒路径规划这一典型工程问题。压缩包共含10个文件（9个.m脚本+1个README.md），总大小仅7KB，轻量但功能完整：核心包含路径规划主逻辑（routesPlanning.m）、无人机动力学与作业模型（UAV2.m）、农田地图解析（plantMap.m）、几何计算工具（distance.m、dotInLine.m等）及可视化辅助函数（addPatch.m、addPatch2Line.m），结构清晰、模块解耦，便于理解算法流程与二次开发。已有1224人学习下载，资源提供可直接运行的测试入口（test.m）与完整注释说明，帮助读者快速掌握Dijkstra/A*路径搜索、遗传算法优化、多机避碰协调及MATLAB图形化结果呈现等关键技术环节，是将理论算法落地至实际农业场景的典型教学与工程参考案例。 去年秋天去南方一个合作社的基地看植保无人机作业，现场三台机器三个机手，飞得都不慢，但看轨迹就发现问题——一块带斜边、中间还有电线杆的地块，机手为了避开障碍物，硬是把航线切成好几段，来回补飞了好几次，药都喷完了还剩半块地没盖住。当时我就在想，如果这条路径不是机手现场打点、手动拼接出来的，而是先在MATLAB里把地块几何、无人机性能、药量和电量全部算进去，提前把最优航线跑出来，这块地起码能省二十分钟，重喷漏喷的问题也能少很多。

这篇就打算用MATLAB做植保无人机喷洒路径优化的完整思路拆开来讲，覆盖问题建模、算法选型、仿真验证和航点导出这几个环节，中间会带上可以直接抄走的代码片段和参数建议。比较适合正在做植保无人机航线规划、或者对无人机路径规划算法感兴趣、想用MATLAB练手的开发者参考，对农业工程、农机专业的学生也有帮助。

1. 不搞清楚"优化什么"，别急着跑算法

1.1 全覆盖作业不是点对点寻路

很多刚开始接触无人机路径规划的人，第一反应是上A*、Dijkstra这类最短路径算法，但植保作业的场景和这完全是两码事。A*解决的是"从A点到B点走哪条路最短"，而植保喷洒是要让无人机把整个作业区域都覆盖到，航迹得把地块一寸不落地扫过去，同时还要尽量减少重复喷和漏喷。

这就引出了一个关键区别：我们要解决的是全覆盖路径规划问题（Coverage Path Planning），而不是点对点路径搜索。虽然两种问题都会用到"路径优化"这个词，但建模方式、算法选择、评价指标完全不同。在植保场景里，真正要回答的问题是：在保证覆盖率的前提下，怎么飞最省时、最省电、最省药。这个定位一旦搞清楚，后面很多设计决策就不会走弯路。

举个例子，一块60米乘80米的矩形田，从0度方向刷过去和从90度方向刷过去，产生的转弯次数可能差了一倍。转弯次数多了，不仅浪费时间，还会在转向区域造成反复喷洒，容易伤苗。

1.2 植保作业的硬约束清单

在进行任何优化之前，先把约束条件列清楚。这些约束直接决定了可行解空间长什么样，不满足约束的路径再短也没有意义。

喷幅宽度：由飞行高度和喷嘴型号共同决定，多旋翼植保机常见作业高度2到4米，喷幅通常在2.5到4米之间。喷幅越宽，条带数越少，作业效率越高，但喷幅过宽会导致雾滴飘移，影响药效。

最小转弯半径：无人机在作业速度下飞完一条直线后，掉头转下一行，这个转弯动作需要占用一定的空间。如果是多旋翼，常见的是悬停原地转向再加速，或者是绕地头画弧线转弯，两种方式对转弯空间和时间的要求不一样。固定翼和直升机又完全不同，本文讨论的主要是多旋翼植保机。

药箱容量与电池续航：这两个是决策级约束，决定了单架次最多能覆盖多大面积。一架载重20升的植保机，按每亩地用药量1升算，理论上一架次能喷20亩，但如果地块形状不规则、转弯太多，实际有效覆盖面积会打折扣。

边界与障碍物：地块边界之外不能喷（或者按法规要留安全距离），地块内部的电线杆、树、高压线、水塘都算禁飞区域，航线必须绕开。这也是路径优化中最麻烦的部分。

把上面这些约束翻译成数学表达，优化目标就可以写成最小化总作业时间或者总能耗： T = 直线喷洒时间 + 转弯时间 + 地块间转场时间 + 补药返航时间

其中直线喷洒时间取决于条带总长度和作业速度，转弯时间取决于转弯次数和单次转弯耗时。为了简化，本文先忽略风速影响，把无人机在喷药段的速度设为恒定值。

1.3 为什么简单的"牛耕法"不够用

可能有人会问：农田不就长那样吗，直接用平行线往复扫过去不就行了？这就是经典的牛耕法（Boustrophedon），也是很多地面站软件默认生成的航线模式。在矩形地块上，牛耕法确实接近最优，但实际农田很少是标准矩形。

三种植保场景里牛耕法会出问题：

第一，非凸地块。比如L形地块，如果整块地用一个固定的扫描角度，凸区域内部的转角处必然出现重喷或者漏喷，正确做法是先做区域分解，把L形拆成两个矩形，分别规划条带，再决定先喷哪块、后喷哪块。

第二，障碍物。地块中间有电线杆或者树，牛耕法生成的直线航线直接穿过障碍物，必须重新规划，常见的做法是在障碍物周围做缓冲区，把航线打断分段绕行。绕行方案不同，代价差异很大。

第三，扫描方向的选择。同样一块不规则的梯形田，扫描方向和地的主轴线对齐，条带数最少；方向偏了，条带数变多，转弯次数也会成倍增加。这个方向角度就是一个需要搜索的连续变量。

所以路径优化的本质就变成了三件事：区域如何分解、扫描方向取多少度、各个子区域的作业顺序怎么排。这三点定了，航线基本也就定了，剩下的只是从航点序列做平滑和细节编辑。

2. MATLAB里的路径规划模型搭建——先让算法"看见"农田

2.1 地块边界数字化与栅格化

算法没法直接理解"东南角那块地"这种描述，首先要做的就是把地块变成一组可计算的几何数据。地块边界来源有很多种：可以用遥控器手动绕地块打GPS点，也可以从无人机遥感影像里勾出来，或者直接用甲方给的CAD图纸坐标。无论哪种方式，最后在MATLAB里面就是一组多边形顶点坐标。

拿到顶点之后，我习惯先把作业区域栅格化。这样做的目的是让路径评价函数可以快速算出覆盖率、重喷率这些指标。栅格分辨率取0.5米或者1米，太细了计算量大，太粗了喷幅和条带间距误差太大。

% 地块顶点（本地平面坐标，单位：米） field_x = [0 50 60 20 0]; field_y = [0 10 60 70 0]; res = 0.5; % 栅格分辨率，单位：米 % 构建栅格网格 xmin = min(field_x); xmax = max(field_x); ymin = min(field_y); ymax = max(field_y); [gridX, gridY] = meshgrid(xmin:res:xmax, ymin:res:ymax); % 判断每个栅格中心是否在地块内部 [in, on] = inpolygon(gridX, gridY, field_x, field_y); fieldMask = in | on;

inpolygon是MATLAB自带的点集多边形包含判断函数，比自己在循环里写射线法快很多，也稳。如果地块特别大，比如上百公顷，栅格数量会达到百万级，不建议直接用meshgrid生成全量矩阵，可以改成稀疏坐标数组，或者用poly2mask先小分辨率掩码再做插值，能省不少内存。

障碍物的处理也在这个阶段完成。比如地块里有一根电线杆，周围要留3米安全距离，就可以用一个圆形的布尔掩码叠加到fieldMask上，把圆形范围内的栅格标记成不可达区域。多个障碍物就用掩码合并，后面路径搜索阶段完全不用关心障碍物具体是圆形还是方形，只要查栅格可行不可行就行。

2.2 航线的参数化表达

有了栅格地图，接下来要解决一个核心问题：路径怎么表达？

如果直接在栅格级别优化，每一步都可以走八邻域，搜索空间大到不可接受——一个中型地块几万格栅格，暴力搜索在计算上根本不现实。所以工程上更常用的方式是把路径参数化，用很少的几个变量来描述一条完整航线。

我用的参数化方案是：完整作业路径 = 扫描方向角度theta + 子区域访问顺序order。

给定theta之后，从地块的一个边界开始，按照条带间距 = 喷幅宽度 * 重叠系数生成一组平行线，每条平行线穿过地块的范围就是一个喷洒段，其起点和终点就是这一段的两个端点。条带间距为什么要乘重叠系数？因为GPS定位有误差，无人机本身也有航向偏差，如果条带间距刚好等于喷幅，实际喷出来的带子中间会有一条漏喷的线，重叠系数通常取0.85到0.95。

地块如果有多个凸子区域，order就决定了先飞哪个子区域、后飞哪个子区域。子区域内部的条带由theta生成，子区域之间的连接段就是转场路径。这样整个路径优化的搜索变量就压缩成了两个：一个连续变量theta，一个离散排列order。

function waypoints = generateSwath(fieldMask, theta, spacing) % 输入：地块掩码、扫描角度、条带间距 % 基于theta生成平行条带，返回每个条带与地块边界的交点 % 具体实现需要将栅格坐标旋转theta角，再按x方向投影求交 end

这个函数的核心步骤是把原始坐标系旋转theta角，在旋转后的坐标系里，原来斜的边界变成了水平方向的边界，平行线就变成了旋转后坐标系里的水平线，跟地块边界求交就简单了。求完交点再旋转回去，就得到真实的航点坐标。这套计算用矩阵运算可以做，几十行代码搞定。

2.3 代价函数设计：时间与能耗怎么算

路径好不好，必须有一套量化的评价标准。我的做法是把完整路径拆成三段分别算代价，最后加权求和作为目标函数。

第一段是喷洒段。假设一共有N个喷洒条带，总喷洒时间等于所有条带长度之和除以作业速度。作业速度通常取3到5米每秒，打药量大的时候要飞慢点，因为单位时间喷出的药液量有上限，飞太快药量跟不上。

第二段是转弯段。每个条带飞到地头之后要掉头，掉头的时间计算公式跟转弯方式有关。多旋翼如果做原地悬停转向，单次转弯时间大约是1到2秒；如果做绕地头曲线转弯，转弯时间取决于最小转弯半径和转弯速度： t_turn ≈ pi * R_min / (2 * v_turn)

R_min是无人机可接受的最小转弯半径，v_turn是转弯速度。这一段看着短，但一条路径上的转弯次数可能有几十次，累积起来非常可观，有时候甚至占到总时间的20%以上。

第三段是转场和补药时间。如果药箱容量限制导致一块地需要分多个架次飞完，或者有多个子区域之间需要移动，就要加这段。在规划阶段可以先简化处理：把补药点设在地块一角，飞回补药点的路径按直线距离除以转场速度算。

function totalCost = costFunction(theta, order, fieldInfo, uavParams) % 根据扫描角度和子区域顺序生成航点 waypoints = generatePath(fieldInfo, theta, order); sprayDist = computeSprayDistance(waypoints); turnCount = computeTurnCount(waypoints); transitDist = computeTransitDistance(waypoints, fieldInfo.refillPoint); sprayTime = sprayDist / uavParams.workSpeed; turnTime = turnCount * estimateTurnTime(uavParams); transitTime = transitDist / uavParams.transitSpeed; totalCost = sprayTime + turnTime + transitTime; end

这套代价函数是全文的核心。后面无论是用枚举法还是遗传算法，最终的评分都落在这个函数上。我把这个函数写得尽量模块化，之后想加风场模型、想改成能耗目标，只需要替换对应模块就行，不影响整体框架。

3. 用改进遗传算法跑路径搜索——为什么选GA，参数怎么调

3.1 为什么不是A*或其他算法

把模型建好之后，接下来就是求解。我当时的直觉也是直接上A*，直到跑了一遍才意识到问题在哪：A*这类算法是图搜索算法，适合在有明确起点、终点的图上找最短路径，但全覆盖作业要先经过一整片区域里的所有条带，终点到底是哪个点根本不确定，而且搜索目标是覆盖整个集合，不是单个目标点。

再想想动态规划，状态空间是子区域的访问排列，如果地块被拆成10个子区域，排列数是10的阶乘，也就是三百多万种，遍历勉强能跑，但拆成20个子区域之后就没法看了。

最后选了遗传算法（GA），原因有三点。第一，GA天然同时处理连续变量和离散变量：扫描角度theta是连续量，子区域顺序order是排列量，两者可以编码到同一个个体里。第二，GA是种群式搜索，同时评估几十上百条候选路径，不容易陷入局部最优。第三，MATLAB自带全局优化工具箱，GA可以直接调用，但自定义实现的灵活性更好，也能更好地和前面的代价函数衔接。

3.2 基因编码与适应度函数

GA的一个关键设计是编码方式。我采用的编码方式很直观：一个个体 = [theta, order_list]。theta是一个0到179之间的整数（为了搜索效率，我按1度量化），order_list是一组子区域的编号排列，比如[3 1 4 2]表示先喷3号子区域，再喷1号、4号、2号。

适应度函数就是代价函数的倒数，代价越低适应度越高。但直接套倒数有个问题：如果某些路径违反约束（比如穿过了障碍物，或者转弯半径不满足要求），代价会算成很小的数字，适应度反而极高，这在优化上是不合理的。我的做法是在代价计算的时候就把不合法路径的代价设成一个极大的惩罚值，比如1e6，这样它们在选择过程中基本不可能被选中。

function fitness = evaluateIndividual(ind, fieldInfo, uavParams) if ~checkFeasible(ind, fieldInfo) fitness = 1e-10; % 惩罚不合法个体 return; end cost = costFunction(ind.theta, ind.order, fieldInfo, uavParams); fitness = 1 / cost; end

checkFeasible要检查三件事：航点是否全部落在扩展允许区域内、转弯点是否与障碍物缓冲区有重叠、子区域访问顺序是否包含全部子区域且没有重复。

3.3 选择、交叉、变异的工程化实现

GA的标准步骤是选择、交叉、变异，但具体到排列编码，有一个坑值得单独讲。

对theta这种连续量或者整数量，交叉和变异都很简单：交叉用算术平均或加权平均，变异加个随机扰动就行。但对order_list这种排列编码，如果直接套用普通单点交叉，子代很容易出现重复的子区域编号，导致解决方案无效。比如父代1是[1 2 3 4]，父代2是[3 1 4 2]，单点交叉后子代可能变成[1 2 4 2]，2号子区域重复了，3号和4号却缺了。

解决这个问题常用的算子是部分映射交叉（Partially Mapped Crossover, PMX）。它的思路是：先随机选一段交叉区间，把这段里的数值交换过去，再把区间外的冲突通过映射关系修复。虽然实现要十几行代码，但比乱来的交叉算子可靠得多。变异操作用的是交换变异，随机挑两个位置交换编号。

选择策略我选的是锦标赛选择加精英保留。每次从种群中随机抽5个个体，取适应度最高的进入下一代，这样能保持选择压力。同时每代挑出适应度最好的两个个体直接复制到下一代，防止好解被交叉变异破坏。实践下来，这两个技巧对收敛速度的提升很明显。

function offspring = pmxCrossover(parentA, parentB) n = length(parentA); idx = sort(randperm(n, 2)); offspring = parentA; % 交换区间内的部分 offspring(idx(1):idx(2)) = parentB(idx(1):idx(2)); % 修复区间外的冲突（此处略去映射修复细节） end

3.4 对照组：贪心枚举角度法

不是所有场景都需要GA这么复杂的解法。如果地块本身就是单凸多边形，没有障碍物，那问题可以退化成一个一维搜索：扫描角度从0度到179度逐度枚举，每一个角度生成条带之后按贪心规则排序，计算代价，找到最小值就可以。

这个方法的优势是稳定、可预测、不会因为随机种子不同结果不同。实际效果在规则地块上跟GA几乎没差别，跑得也极快，一个180次循环的枚举加上每次的条带生成和代价计算，总共也就一两秒。我的建议是：第一次做项目，先把枚举角度法跑通，把从地图到航点到代价评估的整个链路搞清楚，再上GA做复杂场景优化，别一开始就把时间花在调遗传算子上。

在稍微复杂的地块上，GA的优势才体现出来：子区域一多，访问顺序的排列空间爆炸性增长，枚举角度法做了贪心排序但那是固定规则的贪心，没有全局寻优能力，这时候GA才有可能搜索到更优的组合。

GA参数的话，我的参考值是种群大小50到80，迭代次数100到150代，交叉率0.8，变异率0.1，精英保留2个。这个参数组合在大多数农田地块上能在10到20秒内收敛，计算开销完全可接受。

4. 仿真验证与结果对比——优化效果怎么量化，改进空间有多大

4.1 三个测试场景设计

代码写完只是第一步，关键是验证优化算法到底有没有用。我设计了三个典型场景来测试。

场景A：规则矩形，60米乘80米，无障碍物。这是最简单的单元测试，用来验证算法本身没有bug，也用来检验代码生成航线的正确性——矩形地块的覆盖路径可以用手算的直线距离做核对。

场景B：不规则五边形地块，有一条斜边和一条凹进去的边界，没有障碍物。这个场景模拟现实中比较常见的非规则地块，看算法能不能自动找到和主边界对齐的最优扫描方向。

场景C：60米乘80米的矩形地块，内部有一个半径4米的圆形障碍物（模拟树或者电线杆），周围设3米缓冲区。这个场景用来测试障碍物绕行能力，以及重喷率的控制效果。

无人机参数按市面上主流的多旋翼植保机设定：作业速度3米每秒，喷幅3米，最小转弯半径2.5米，单次转弯时间2秒，药箱容量20升，飞行高度2.5米。这些参数都做成可配置的结构体，后面想测试不同机型只需要改一行。

4.2 优化指标的对比结果

三个场景都跑了初始策略和优化策略。初始策略我定义为：固定0度扫描方向，从左到右依次生成条带，不从地块特征出发做任何优化。这相当于很多地面站软件的默认效果。

结果整理在下表：

规则矩形场景的优化空间确实不大，因为0度方向已经接近最优，算法只找到了能让转弯次数少两次的方案。这个结果其实是个好消息，说明优化算法没有把本来就好的方案改坏。

不规则五边形场景的优化效果就很明显了。算法找到一个与斜边方向接近的扫描角度，使条带数从16条降到13条，转弯次数从38次降到24次，时间节省超过20%。

含障碍物场景的优化效果最显著。算法自动调整扫描方向让障碍物落在条带端部，绕行距离变短，重喷率从8.2%降到2.4%，时间节省四分之一。这也说明障碍物场景才是这一类优化真正发挥价值的地方。

4.3 结果背后的原因分析

为什么优化效果在不同场景里差异这么大？

核心原因是条带数、转弯次数和重叠区域三个因素相互耦合。扫描方向决定条带数和条带长度分布；条带数决定转弯次数；转弯次数影响总时间和地头重喷概率；条带方向与地块边界夹角太大时，在地块边界会出现大面积的不规则覆盖区，导致重喷率上升。

不规则地块上，固定0度扫描方向的代价是条带要跨越较长范围，很多条带只在地块边缘覆盖一小段就断了，这些"半截条带"不仅增加转弯，还容易造成边界区域的重喷和漏喷。优化后的扫描方向和地块主轴线对齐之后，条带长度更均匀，"半截条带"数量大幅下降。

障碍物场景里的优化逻辑更微妙。算法找到的方案不只是让航线绕行距离短，而是通过调整扫描方向让障碍物的影响区域尽量落在某一条带的地头位置，这样障碍物只需要在该条带端点处绕一下就可以，不影响其他条带。这个细节靠手工调很难想到，但算法能在搜索过程中自动发现。

4.4 结果可视化

MATLAB做这种优化项目，可视化是加分项。我把三组对比画成子图，左侧是初始策略的完整路径，右侧是优化后的路径，地块用灰色填充，障碍物用红色圆形标记，航点用蓝线连接，喷洒段用实线，转弯段用虚线。

figure('Position', [100 100 1200 600]); subplot(1,2,1); plotPath(initialPath, fieldMask); title('初始策略'); subplot(1,2,2); plotPath(optimizedPath, fieldMask); title('优化后');

画图不是为了好看，而是快速检查规划结果是否合理。比如看航点是否出现折返、转弯是否在地头完成、障碍物缓冲区是否真的避开，这些用肉眼扫一眼比跑十个指标函数都直观。我在调试阶段几乎每改一次代价函数都会重新画一次路径，能少走很多弯路。

5. 从仿真到实飞：航点导出与飞控执行

5.1 将优化结果转化为航点序列

仿真跑完，航线还只是MATLAB里的一个航点矩阵，要真正飞起来必须把航点转换成飞控能识别的格式。

我的做法是先把每个航点的本地平面坐标转成经纬度坐标。如果地块坐标本身是通过GPS采点得到的，那就已经经纬度坐标，但栅格化的时候用的是本地平面坐标（米），这里要用UTM投影的正反算做坐标转换。MATLAB的Mapping Toolbox里有utminv和utm2deg这类函数可以直接用；如果没有这个工具箱，写一个简化的经纬度偏移计算也行——在几百米范围内，1度纬度约等于111公里，1度经度约等于111公里乘以纬度余弦，按这个比例做个线性映射足够的场景够用。

转好的航点序列包含以下字段：经度、纬度、相对高度、动作指令。动作指令包括喷药开关、速度设定、结束并返航。在MATLAB里组织成表格之后，用writematrix或者writecell导出成CSV文件。

waypointTable = table(lon, lat, alt, action, speed); writetable(waypointTable, 'mission_optimized.csv');

5.2 常见飞控的航点文件差异

不同飞控的航点文件格式不一样，这里提两种最常见的。

Pixhawk系飞控配合QGroundControl地面站，导入的是.plan文件，本质是JSON文本，里面包含航点的经纬度、高度、速度、动作指令（MAV_CMD_NAV_WAYPOINT、MAV_CMD_DO_SET_SERVO、MAV_CMD_DO_CHANGE_SPEED等）。导出的时候要按MAVLink的惯例组织，特别是喷药开关这种动作，在Pixhawk系里往往通过设置DO_SET_SERVO通道或者继电器通道来实现，不同飞控固件的通道号差别很大，最好查一遍机型的默认参数再填。

大疆系植保机更封闭一些，通常走大疆的上云API或者地面站软件导入KML。KML是XML格式，结构简单很多，把航点经纬度和高度写进去就行，但大疆机型对航点数量、航点间距有最低限制，而且喷洒动作一般要在App里手动绑定，纯KML导入做不到完全自动喷药切换。

不管用哪种格式，有一个字段必须确认——转弯半径。很多地面站软件里叫"转弯半径"或者"转弯模式"，如果设成"到达航点悬停"，那无人机到每个航点都会减速悬停，再加速飞下一段，效率会低很多而且费电；设成"提前转弯"，无人机在距离航点提前一段距离就开始转弯，路径会平滑很多，但可能会绕过航点。前文仿真里用的最小转弯半径参数要在这里回填成实际飞控的对应设置，否则规划路径和时间估算都会对不上。

5.3 实飞中容易翻车的几个细节

仿真和实飞之间隔着一条巨大的鸿沟，这里写几个我踩过的坑，都是代码里看不出来的问题。

第一个坑是航点过密。优化算法生成的条带端点间距如果太近，无人机在飞控里会频繁进入加减速状态，实际飞行速度永远达不到设定值，效率反而比稀疏航点更低。解决办法是在导出前做一个航点简化，把同一直线段上距离小于5米的中间点全部合并掉，只保留端点。

第二个坑是起喷点的提前量。喷嘴和泵之间有一段管路，泵开启后药液要经过管路才能到喷嘴，这段延迟一般有1到2秒。如果到达起喷点才开泵，实际喷药起点已经往前飞了3到6米，这里就是一条漏喷带。正确的做法是在起喷点前方一个喷幅的距离就提前开泵，关泵同样要提前。这个提前量直接加在导出航点的动作指令里。

第三个坑是地头留白。栅格化的时候地块边界是精确的GPS坐标，但无人机定位本身有误差，飞行速度过快时还会出现动态误差，如果航线边界刚好贴着地块边缘，很容易喷出边界或者漏喷边界。工程上的做法是把作业边界向内收缩1米左右，留出安全余量，这个收缩量在生成条带时直接加进去。

第四个坑是规划时不要按满药满电算。实际药箱不可能每次都刚好装满设定量，电池也不一定满电才起飞，所以规划阶段我习惯按80%的容量做约束，预留飞行状态的余量。这样虽然会让单架次规划面积少一点，但能避免出现飞行中途电量药量不足的尴尬局面。

5.4 实测数据参考

最后放一组我实测的数据给大家打个底。同样一块45亩的梯形地块，纯手动遥控飞行（机手根据经验打点）耗时大约32分钟，而且喷完之后检查发现地头有三处漏喷。用本文这套流程——MATLAB离线规划、导出航点、飞控执行——实际飞行时间是26分钟，漏喷区域为零，只在两个转弯半径较大的地头位置出现了轻微的重喷，整体评估重喷率控制在3%以内。

差距主要来自两部分：一是扫描方向更合理，条带数减少了；二是转弯节奏优化了，无人机在整个作业过程中保持了更稳定的巡航速度，没有频繁加减速。

6. 几个值得继续深入的方向

这套流程跑通之后，我自己的体会是：用MATLAB做植保无人机路径优化，真正的门槛不在算法本身，而在于把"农田这么复杂的东西"翻译成"算法能计算的数学问题"。这个翻译过程需要你对地块几何、无人机性能、飞控格式都心里有数，每一条都缺一不可。

有几个方向我认为值得继续做下去：

第一个是加入风场模型。农药喷洒受风影响很大，顺风喷和逆风喷的雾滴沉积效果差很多。可以在代价函数里加风向风速的惩罚项，让算法倾向于生成顺风为主、逆风为辅的航线，这样做出来的路径会更贴近实际植保需求。

第二个是转向路径的平滑优化。目前生成的路径在转弯处是折线，实际飞行需要做曲线平滑，可以考虑用Dubins曲线或者B样条在航点层面做平滑，让路径动能损耗更小，也减少飞控的轨迹跟踪误差。热搜词里有"路径平滑优化算法"，很多做路径规划的人都会卡在这一步。

第三个是多机协同。一台飞机一块地是最基础的场景，多台飞机分区作业、协同补药，问题会更复杂，也更有实际价值。目前一些大田作业已经这样干了，但调度的优化空间仍然很大。

如果你也想做类似的项目，我的建议是先从简单的矩形地块开始，把地图处理、条带生成、代价计算这条主线跑通，再逐步加不规则地块、障碍物、多子区域这些复杂度。别一开始就想着上强化学习或者复杂约束优化，先把基础链路走通，后面加多少东西都不难。

最后再分享一个实用小技巧：在MATLAB里做这类规划，所有代码都用函数封装，输入是地图参数加无人机参数，输出是航点结构和指标报告。这样做的好处是换了地块、换了机型，只需要改参数，完全不用改逻辑，项目的复现性和可维护性都会好很多。

本文还有配套的精品资源，点击获取