- 无人机(Uncrewed Aerial Vehicle, UAV)在危险环境（如灾害区、污染地、野火区）执行探索监测时，**有限飞行续航** 需在访问报告位置和收集新信息之间权衡
- 关于危险的**先验信息** 通常不完整、空间不精确且在执行过程中动态变化，现有方法缺乏有效处理不确定**兴趣区域(Region of Interest, ROI)** 的集成方案
- 需要一种能同时实现**报告区域检查** 与**未知区域探索**，并具备**在线自适应重规划** 能力的框架
- 将环境表示为**空间风险图(spatial risk map)**，每个位置维护危险状况的**信念(belief)**
- 建模报告危险为**不确定兴趣区域(uncertain ROI)**，而非确认目标点；求解**车辆路径问题(Vehicle Routing Problem, VRP)** 规划访问顺序
- 在路径中插入**辅助伪节点(auxiliary pseudo-nodes)** 以改善空间覆盖，并将剩余飞行距离预算分配到各路径段
- 优化**动态可行B样条轨迹(dynamically feasible B-spline trajectory)** 用于局部探索
- 执行期间，基于无人机测量更新**网格信念地图(grid-based belief map)**，当新信息和剩余预算证明合理时进行**在线重规划(online replanning)**
- **集成探索感知**：首次将**报告ROI访问** 与**探索性飞行** 统一在单一优化框架内，而非分离处理
- **不确定性建模**：将报告危险视为**不确定的ROI** （而非确定点），并引入**辅助伪节点** 提升空间覆盖效率
- **动态自适应**：结合**离线全局优化** 与**在线信念驱动重规划**，使路径能根据实时测量和剩余预算灵活调整
- **轨迹优化**：采用**B样条(B-spline)轨迹** 确保动态可行性，同时兼顾局部探索的灵活性
- 为**危险环境探索监测** 提供了一种新颖的**集成航线优化与路径规划框架**，平衡了**已知任务** 与**未知探索**
- 在48个场景配置的模拟中，**在线重规划** 相比**离线优化规划器** 平均**KL散度(Kullback-Leibler divergence)减少15.9%**，相比**直线遍历** 减少48.6%
- 框架具有**通用性**，可适用于先验信息不确定且动态变化的多种无人机监测场景