想象你是一位园丁，接手了一片足球场那么大的草坪。草要修剪，肥要施匀，可草坪里散布着花坛、假山和一口池塘。你不可能蹲在地上用剪刀慢慢剪——于是你开上一辆“智能割草施肥一体机”。这台机器真正的本事，藏在一连串“规划”里：先走哪条线，才能把每一寸草都剪到、不重不漏？走到哪片草，该多施肥还是少施肥？遇到假山怎么绕？电量只够干一半，是先割东边还是西边？机器正干着活，草坪上突然滚来一只皮球，又该怎么办？买了两台机器，怎样分工才不撞车、不窝工？这些问题的答案，正是“无人机植保路径规划与变量施药”这门技术的核心。本文就跟着这台智能割草机，把智慧农业里这位“空中作业调度大脑”的工作方式，一垄一垄地讲清楚。

岗位关联

学完本节，你将理解植保无人机从航线生成到变量施药、从避障到多机协同的完整决策链条，能为农业科技公司设计智慧作业方案，推动“AI+农业”从概念走向田间地头。

目录
  1. 可视化演示
  2. 全覆盖路径规划
  3. 变量施药控制
  4. 智能避障策略
  5. 续航分区规划
  6. 实时调整机制
  7. 多机协同作业
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示全覆盖Boustrophedon路径规划与覆盖率、变量施药分区控制及多机协同分区作业策略。

本节配有交互动效（进入视口后自动加载，约 3KB）。

Boustrophedon全覆盖路径规划 往返式扫描覆盖确保零遗漏 无人机沿路径飞行实时喷洒 Coverage=L×W/N_rows 条数取决于幅宽与田块尺寸

全覆盖路径规划

老周打理着一片足球场大小的草坪。他开着智能割草机给草坪“理发”，最怕两件事：一块草漏割，显得坑坑洼洼；一条道重复割，白白费油费时。他干活的经验就一句话：像老牛耕地一样，从这头走到那头，压着上一趟的轮印往回走，一垄挨着一垄，把整块地“梳”一遍——这正是全覆盖路径规划最朴素的模样。

无人机植保里的“牛耕往复法”（也叫弓字扫描），就是这套经验的数字化版本。无人机沿地块长边直线飞行，按“喷幅”（喷杆展开后能覆盖的宽度，类似割草机刀盘宽度）逐行平移，一趟过去、调头、再一趟回来，直到覆盖整个地块。规划要算清三笔账：飞多少趟、每趟飞多长、转多少次弯。趟数越多，转弯的“无效滑行”就越多，因此趟数计算是全覆盖规划的第一块基石。

算账的核心是两条公式：先根据地块宽度 W 和喷幅 w 算出往返趟数，再累加直线里程和转弯里程。转弯不是瞬间完成的——无人机要减速、转向、加速，这段滑行距离称为“转弯代价”。把这一笔笔账加总，就得到整个架次的总飞行里程，也就能估算电量够不够用、药够不够喷。

老周割草时会刻意压着上一刀的一半轮印走，防止漏割也防止重复。牛耕往复法同样用“喷幅”作标尺——趟数向上取整保证全覆盖，转弯次数被算进总里程，提醒规划者“少转弯就是省电”。整片草坪怎么梳，无人机心里早就有了一张“梳子图”。

L=n×l+(n−1)×dt,n=⌈Ww⌉\displaystyle L = n \times l + (n-1) \times d_t, \qquad n = \left\lceil \frac{W}{w} \right\rceil
公式的通俗版：总飞行里程 = 趟数 × 每趟直线长度 + 转弯次数 × 每次转弯滑行距离；趟数 = 地块宽度 ÷ 喷幅，向上取整。
  1. 趟数 n地块宽度 W 除以单趟喷幅 w，向上取整，保证最后一趟也能完整覆盖地块，不会留一条“漏割带”。
    n=⌈Ww⌉\displaystyle n = \left\lceil \frac{W}{w} \right\rceil
  2. 直线里程每趟沿长边直线飞行地块长度 l，共 n 趟。
    L直线=n×l\displaystyle L_{\text{直线}} = n \times l
  3. 转弯里程从第 2 趟起每换一趟要掉头一次，共 n-1 次，每次转弯滑行距离为 d_t。
    L转弯=(n−1)×dt\displaystyle L_{\text{转弯}} = (n-1) \times d_t
  4. 总路径长度直线里程与转弯里程相加，就是本次作业的总飞行里程，也是电量与药量估算的基础。
    L=L直线+L转弯\displaystyle L = L_{\text{直线}} + L_{\text{转弯}}

变量施药控制

老周的草坪并非处处一样：东边大树底下草色发黄，西边阳光充足的草又密又绿，还有几块刚补种过的嫩草。如果整片草坪都按同一个标准施肥，黄瘦处“吃不饱”，浓密处反而“烧苗”。老周的做法是“看草下料”——蔫的多给，壮的少给。

农田同样要“看草下料”。植保无人机作业前，先用多光谱相机给地块拍一张“体检照”，算出每个小网格的“虫情指数”或“长势指数”，做成一张“处方图”——就像医生开的药方，每个网格该喷多少药，提前写在图上。变量施药就是飞行时“按方抓药”：到了虫情重的网格，电磁阀开大、药量调高；到了虫情轻的网格，阀门收紧、药量调低。

但处方图只回答了“喷多少”，还要回答“怎么喷得匀”。雾滴的粒径与沉降速度直接影响药效：雾滴过细容易被风吹走（漂移），过粗则附着不牢。遇到地形起伏和风速突变，系统还要根据实时风向风速补偿喷头流量与飞行速度，让雾滴尽量落进目标网格。处方图执行的核心，其实是一次“比例调节”：设全地块平均虫情为基准 R₀，某网格虫情指数为 Rᵢⱼ，则该网格实际施药量 Dᵢⱼ 是基准药量 D₀ 乘以两者之比。

这就像老周给割草机装了一只“眼睛”——看到发黄的草就自动多洒一把肥料，看到浓密的草就少洒。机器不再是粗放地“一刀切”，而是一位会看脸色的大夫，把农药花在刀刃上，既省钱又护田。

Dij=D0×RijR0\displaystyle D_{ij} = D_0 \times \frac{R_{ij}}{R_0}
通俗版：某块地的施药量 = 标准药量 ×（这块地的虫情 ÷ 全田平均虫情）。虫情是平均值的两倍，药量就加倍；虫情只有一半，药量就减半。
  1. 基准药量 D₀按作物品种与药剂浓度设定的“标准档位”，相当于全田均匀喷洒时的亩用量。
    D0\displaystyle D_0
  2. 网格虫情指数 Rᵢⱼ处方图把地块划成大量小网格，每个网格一个虫情值，来自多光谱影像反演，代表“这一小格的病情轻重”。
    Rij\displaystyle R_{ij}
  3. 平均虫情 R₀全地块虫情指数的均值，作为“正常水平”的参照基准。
    R0\displaystyle R_0
  4. 比例调节虫情高则药量上调，虫情低则药量下调，实现“该喷的地方多喷、不该喷的地方少喷”。
    Dij=D0×RijR0\displaystyle D_{ij} = D_0 \times \frac{R_{ij}}{R_0}

智能避障策略

割草最怕“计划外的东西”：草坪上突然滚来一只皮球、横着一条浇水管，或者孩子把玩具车留在了草地上。老周眼神再好，也总有看不到的死角，真要碾上去，机器和玩具都得遭殃。

无人机在天上飞，同样会遇到“计划外的皮球”：电线杆、拉线、突然闯入的农用车辆，甚至飞近的行人。它靠身上的“眼睛”——毫米波雷达、激光雷达或视觉相机——实时测出与周围物体的距离。但只“看见”还不够，还要回答关键问题：离多近必须躲？工程上常用“膨胀法”简化判断：把障碍物按自身半径和安全间隙向外扩张成一个大圆，无人机收缩成一个点，绕行问题就变成“一个点绕着圆走”。

避障判定本质上是一次“距离比较”。无人机实时计算自身位置 P 与每个障碍物中心 Oᵢ 的直线距离，取最小值作为“最近障碍距离” d_min。一旦这个距离小于预设的安全半径 d_安全，就触发绕行；若距离过近、来不及转向，则直接急停减速，等待人工介入。

老周后来给割草机装了一圈“隐形保险绳”——皮球进入保险绳范围，机器就自动绕过去；绕不过去就原地停住，等主人来收拾。无人机触发的绕行与急停，就是空中版的“隐形保险绳”，保护机器，更保护地里的人和设施。

dmin⁡=min⁡i∥P−Oi∥,dmin⁡<d安全⇒触发绕行\displaystyle d_{\min} = \min_i \left\| P - O_i \right\|, \qquad d_{\min} < d_{\text{安全}} \Rightarrow \text{触发绕行}
通俗版：无人机每隔一瞬就问自己“我和最近的障碍还隔着多远”，当这个距离小于安全气囊的半径时，立刻打方向盘绕开；实在来不及，就原地急停。
  1. 位置差向量当前无人机位置 P 与第 i 个障碍物中心 Oᵢ 的差向量，代表“指向它的方向和距离”。
    P−Oi\displaystyle P - O_i
  2. 欧氏距离差向量的模长就是两点间的直线距离，也是“我离它有多远”的直接答案。
    ∥P−Oi∥\displaystyle \left\| P - O_i \right\|
  3. 最近障碍距离对所有障碍物逐一计算后取最小值，确定当前最紧迫的威胁。
    dmin⁡=min⁡i∥P−Oi∥\displaystyle d_{\min} = \min_i \left\| P - O_i \right\|
  4. 触发绕行最近距离小于安全半径，说明“闯进了禁入区”，立即执行绕行或急停保护。
    dmin⁡<d安全⇒绕行\displaystyle d_{\min} < d_{\text{安全}} \Rightarrow \text{绕行}

续航分区规划

老周的割草机满电只能干 20 分钟，可整片草坪要干 40 分钟。他不可能割到一半断电趴在草地中央，于是他学会了一个笨办法：把草坪在心里切成两半，充一次电先割东半，回来充电再割西半。

电动植保无人机同样受电池约束，一块电池只能飞十几到二十几分钟。若地块很大，一次飞不完，就必须“分区作业”——把整块地切成若干小区，每个小区对应一块电池的覆盖能力，还要为每个区安排一个合适的起降点。分区规划要回答三个问题：一块电池能干多大面积？地块切几块？从哪儿起飞？起降点选得好，能省去大量空飞往返；电量还要留出安全余量，不能把电池榨干，否则返航途中就“趴窝”。

核心是估算“单架次覆盖面积”：飞行速度 v 乘以喷幅 w，再乘以可用作业时间 T_作业，就得到一块电池能覆盖的面积。地块总面积除以它，向上取整就是分区数量。

老周“充一次电割一半”的笨办法，在无人机上变成了一套严谨的算术：续航决定作业半径，作业半径决定分区大小，分区大小决定起降点摆在哪里。每一块电池都像切蛋糕的刀，把大地块切成刚好一口能吃下的份儿。

T作业=T续航×η−T安全,N=⌈A地块v×w×T作业⌉\displaystyle T_{\text{作业}} = T_{\text{续航}} \times \eta - T_{\text{安全}}, \qquad N = \left\lceil \frac{A_{\text{地块}}}{v \times w \times T_{\text{作业}}} \right\rceil
通俗版：先算“一块电池能干多少亩”，再用总面积一除，就知道要切成几块；作业时间要给起降、悬停和安全余量留出缓冲，不能把电池用到一滴不剩。
  1. 可用作业时间电池标称续航乘以放电效率系数 η，再扣除起降、悬停和电量安全余量 T_安全，才是真正能喷洒的时间。
    T作业=T续航×η−T安全\displaystyle T_{\text{作业}} = T_{\text{续航}} \times \eta - T_{\text{安全}}
  2. 单架次覆盖面积速度 v × 喷幅 w × 可用作业时间，即一块电池能“吃下”的地块面积。
    A单架次=v×w×T作业\displaystyle A_{\text{单架次}} = v \times w \times T_{\text{作业}}
  3. 分区数量地块总面积除以单架次覆盖面积，向上取整，保证每个区都在一块电池的射程内。
    N=⌈A地块A单架次⌉\displaystyle N = \left\lceil \frac{A_{\text{地块}}}{A_{\text{单架次}}} \right\rceil

实时调整机制

老周正割着草，忽然一阵大风把隔壁院子的落叶吹满草坪，或者孩子把滑梯搬到了草坪中央——预定路线一瞬间就“过时”了。经验丰富的园丁不会傻傻地按原路推过去，而是随机应变，临时绕个弯。

植保作业的天空同样变化无常：风速突变超出补偿范围、田间突然出现施药人员、处方图更新出新的虫害热点。若还死守起飞前规划好的航线，轻则施药偏差，重则酿成事故。因此系统需要“在线重规划”——在飞行中快速评估“绕还是直行？绕哪边更划算？”，并实时切换路径。传感器的信息源源不断送回规划器，形成“感知 → 判断 → 修正 → 再感知”的在线反馈闭环。

重规划的本质是一次“代价比较”。候选方案会用代价函数打分，把新路径多飞的距离、延误的作业时间、以及靠近障碍物的风险加权求和，总代价最小的方案胜出。三个权重像三个旋钮，旋向哪边，代表这次任务更看重省电、抢时还是求稳。

这台割草机越用越像一位老司机：风大就调方向，有玩具就绕行，一切以“最小代价完成任务”为准则。实时调整让规划不再是起飞前的一次性决定，而是一场贯穿整个作业过程的“边飞边想”。

J=α×Lextra+β×Tdelay+γ×Rrisk\displaystyle J = \alpha \times L_{\text{extra}} + \beta \times T_{\text{delay}} + \gamma \times R_{\text{risk}}
通俗版：每条绕行方案都有三个“扣分项”——多飞的路、耽误的时间、挨着危险物的风险。三个扣分按重要程度加权，谁总分低选谁。
  1. 额外路径代价新方案比原方案多出的飞行距离 L_extra，多飞一公里就多耗一份电。
    Lextra\displaystyle L_{\text{extra}}
  2. 时间延误代价因避让或重规划损失的有效作业时间 T_delay，时间越久越耽误与虫情“抢跑”。
    Tdelay\displaystyle T_{\text{delay}}
  3. 风险代价绕行路线贴近障碍物或人员的安全风险 R_risk，风险越高越不可取。
    Rrisk\displaystyle R_{\text{risk}}
  4. 加权求和α、β、γ 是三个权重调节旋钮，突出“省电”还是“省时”还是“求稳”，求和得到总代价 J。
    J=α×Lextra+β×Tdelay+γ×Rrisk\displaystyle J = \alpha \times L_{\text{extra}} + \beta \times T_{\text{delay}} + \gamma \times R_{\text{risk}}

多机协同作业

草坪越来越大，老周又买了一台割草机。大机器电池耐用但转弯笨，小机器灵活但载肥少。两台一起干活，最怕撞在一起，更怕东边割了两遍、西边一次没割。老周的办法是“分工包片”：大机器包东边，小机器包西边，各走各的路，完工时间差不多。

大型植保作业同样需要多架无人机“包片”：编队起飞、分区作业、同时收工。多机协同要解决两件事：任务怎么分？空中怎么不打架？任务分配按“能力配额”进行——每一架无人机的作业能力（单次覆盖面积）不同，按占比切分总地块；防碰撞则依靠通信链路实时交换位置，配合高度分层、时间错峰和机间距离告警。协同效果如何，最终用总作业时长、重喷率和漏喷率来评估。

任务分配的算法很直观：先算每架机的作业能力 Cᵢ = 速度 × 喷幅 × 可用作业时间，再把每架机的能力除以全队能力之和，得到该机应承担的面积比例，乘以总地块面积就是它的任务量。

两台割草机在草坪上各奔东西，看似各干各的，实则背后有一本“能力账”：谁飞得快、谁能干得久，就多分一块地；同时靠分层、错峰和告警保持彼此的安全距离。多机协同的本质，是把“一群机器”编排成“一个团队”。

Ci=vi×wi×Ti,Ai=Ci∑j=1MCj×Atotal\displaystyle C_i = v_i \times w_i \times T_i, \qquad A_i = \frac{C_i}{\displaystyle \sum_{j=1}^{M} C_j} \times A_{\text{total}}
通俗版：把地块看成一个蛋糕，每架无人机按“饭量”（作业能力）占全队饭量的比例分蛋糕——饭量大的多吃，饭量小的少吃，最终同时吃完。
  1. 单机作业能力第 i 架机的速度 vᵢ、喷幅 wᵢ 与可用作业时间 Tᵢ 相乘，得到它一块电池能吃下的面积。
    Ci=vi×wi×Ti\displaystyle C_i = v_i \times w_i \times T_i
  2. 全队能力之和把 M 架无人机的作业能力全部相加，得到全队总能力。
    ∑j=1MCj\displaystyle \sum_{j=1}^{M} C_j
  3. 能力占比单机能力除以全队总能力，得到该机的“饭量比例”。
    Ci∑j=1MCj\displaystyle \frac{C_i}{\sum_{j=1}^{M} C_j}
  4. 任务面积能力占比乘以总地块面积，就是该机负责的分区面积。
    Ai=Ci∑j=1MCj×Atotal\displaystyle A_i = \frac{C_i}{\sum_{j=1}^{M} C_j} \times A_{\text{total}}

AI 应用场景

植保服务公司的“万亩田作战指挥”

阶段：数据采集与处方图生成 → 路径规划与任务分配 → 执行与实时调整

解决的问题：传统人工作业靠飞手目测遥控，药量凭经验、航线随意，重喷漏喷严重，万亩田需要数十人连续作业好几天。AI 自动生成处方图与牛耕往复路径，按电池续航分区、按能力配额多机协同，把“人海战术”变成“算法调度”。

具体案例：黑龙江某植保服务商在万亩玉米田应对黏虫灾害：多光谱巡田两天生成虫情处方图，4 架植保无人机按续航分成 12 个作业区、按能力分配任务，2 小时完成 240 亩，用药量比均匀喷洒节省约 18%，防效反而提升。

果园里的“精准看病”施药

阶段：三维建图与避障规划 → 变量施药控制

解决的问题：果园地形起伏、树冠交错，固定航线容易撞树，且每棵果树长势不同，统一喷药既浪费又伤树。用激光雷达重建三维地图规划安全航线，再按单棵果树虫情变量施药，实现“一树一方”。

具体案例：江西赣州脐橙园爆发红蜘蛛，团队用无人机激光雷达重建果园三维地图，规划避开枝杈的安全航线，并按每棵树的虫情指数调节喷量，药量减少 25%，防效提升约 15%。

高标准农田的应急重规划

阶段：在线感知 → 实时重规划 → 安全执行

解决的问题：田间常有农机、人员临时闯入，静态航线无法应对。系统通过实时感知与代价函数重规划，在数秒内绕开突发障碍，保障人机安全。

具体案例：江苏某智慧农田示范基地，作业时一台插秧机驶入规划区，无人机检测到最近距离跌破安全半径，0.8 秒内重算出绕行路径，绕行后自动回归原航线继续施药，全程未停喷。

Python 演示

python52 行
"""智慧农业：牛耕往复路径生成 + 变量施药处方 + 最近障碍检测（纯 Python 模拟）"""import math  class Obstacle:    """障碍物：中心坐标与半径"""    def __init__(self, x, y, r):        self.x, self.y, self.r = x, y, r  def full_coverage_path(field_w, field_l, swath, turn_radius=3.0):    """牛耕往复全覆盖路径：返回 (路径点列表, 总里程)"""    rows = math.ceil(field_w / swath)    path = []    for r in range(rows):        y = r * swath        if r % 2 == 0:            path.append((0.0, y))            path.append((field_l, y))        else:            path.append((field_l, y))            path.append((0.0, y))        if r < rows - 1:            path.append((0.0, y + turn_radius))    total_len = rows * field_l + (rows - 1) * turn_radius    return path, total_len  def variable_dose(pest_map, base_dose):    """变量施药：虫情越高的网格药量越大，按比例调节"""    avg = sum(pest_map) / len(pest_map)    return [round(base_dose * pest / max(avg, 0.01), 2) for pest in pest_map]  def min_clearance(x, y, obstacles):    """当前位置与所有障碍物的最小净距（距离减半径）"""    return min(math.hypot(o.x - x, o.y - y) - o.r for o in obstacles)  def main():    path, total = full_coverage_path(60, 100, 10)    print("往返趟数:", math.ceil(60 / 10))    print("总里程(米):", round(total, 1))    print("路径点数量:", len(path))    doses = variable_dose([1.2, 0.8, 2.5, 0.4, 1.0], 0.8)    print("各网格施药量:", doses)    obs = [Obstacle(30.0, 30.0, 4.0)]    print("最近净距(米):", round(min_clearance(30.0, 50.0, obs), 2))  if __name__ == "__main__":    main()
目的：演示牛耕往复全覆盖路径生成、变量施药处方计算与最近障碍检测三类核心算法，可直接扩展为植保作业调度的雏形程序。
  1. rows = math.ceil(field_w / swath)向上取整保证喷幅能完整盖住地块宽度，不留漏喷带
  2. if r % 2 == 0:偶数行从左往右、奇数行从右往左，形成弓字往返
  3. path.append((0.0, y + turn_radius))每趟末尾补一个掉头过渡点，模拟转弯滑行
  4. total_len = rows * field_l + (rows - 1) * turn_radius总里程与公式 L = n·l + (n-1)·d_t 一一对应
  5. avg = sum(pest_map) / len(pest_map)计算全地块平均虫情，作为比例调节的基准 R₀
  6. return [round(base_dose * pest / max(avg, 0.01), 2) for pest in pest_map]实际药量 = 基准药量 × 该格虫情 ÷ 平均虫情，并保留两位小数
  7. def min_clearance(x, y, obstacles):封装最近障碍距离计算，供避障判定调用
  8. min(math.hypot(o.x - x, o.y - y) - o.r for o in obstacles)遍历所有障碍求最小净距（距离减半径）
  9. if __name__ == "__main__":保证模块既能被导入复用，也能直接运行演示

常见误区

误区“路径规划不就是找最短路线吗？把地块对角线一连，距离最短，效率最高。”

正解植保作业要的是“全覆盖 + 低代价”，不是两点间最短。无人机从 A 到 B 的最短直线，会漏掉大片地块；真实评价要看总里程（直线 + 转弯）与覆盖率。牛耕往复法看似绕，却是“漏喷最少、转弯代价可控”的务实解。就像老周割草，直接对角线推过去，两边的草全没割到。

为何常见：人们习惯了导航“最短路径”的直觉，忽略了植保任务是“面覆盖”而非“点到达”。

误区“虫害越重，药就该喷得越多，把药量调大不就完了？”

正解变量施药追求的是“该喷多少喷多少”，不是“越多越好”。过量喷药会造成药害、农药残留和环境污染，还增加成本。处方图按虫情/长势调节比例，本质是“精准”：高虫情区增量、低虫情区减量，总量反而更省。这就像施肥，浓密处多施肥只会“烧苗”。

为何常见：直觉上“重病下猛药”，但农业上药量和毒性存在边际效应与残留红线。

误区“同样的地块，飞得快就早收工，速度拉满准没错。”

正解飞太快，雾滴被旋翼气流和侧风撕碎漂移，有效喷幅变窄、覆盖均匀性变差，甚至出现“漏喷条纹”。速度要与喷头流量、雾滴沉降速度匹配，才能保证单位面积受药量达标。速度快了，同样药量覆盖面积反而变小。

为何常见：把“作业效率”简单等同于“飞行速度”，忽略了雾滴沉积这一物理环节。

误区“有了 RTK 厘米级定位和固定航线，无人机就能闭着眼飞，不会再撞东西。”

正解RTK 只解决“我在哪”，不解决“前面有什么”。障碍物常常是动态的——电线被风吹晃、农机突然进场、飞鸟掠过，静态地图上根本没有它们。避障依赖实时感知（雷达/视觉）+ 距离阈值触发绕行，定位和感知是两套系统。

为何常见：把“导航精度”与“环境感知”混为一谈，以为地图够准就等于路况全知。

误区“多机作业很简单，每人遥控一台，各飞各的区域就行。”

正解多机协同的核心是“统一调度下的任务分配与防碰撞”。区域切分要按各机能力配比，保证同时收工；空中要解决高度分层、时间错峰与机间距离告警，否则边界区容易重喷、转弯区容易碰撞。飞手各自为战只会乱成一团。

为何常见：日常口语中“协作”被理解成“分工”，忽视了无人机协作需要的实时通信和统一规划。

面试题

Q1. 牛耕往复法中趟数为什么要向上取整？

单选题 · easy

  • A.确保覆盖整个地块宽度← 正确答案
  • B.缩短总飞行路径长度
  • C.避开地块内部障碍物
  • D.提高无人机飞行速度

答案：A。牛耕往复法把地块宽度除以喷幅得到趟数，向上取整是因为喷幅是“标尺”，不能只覆盖 99% 的宽度——否则最后一垄会留下漏喷带。就像割草机压不齐边缘，回头还要补割，反而更费时。B 缩短路径、C 避开障碍、D 提高速度都不是取整的目的，取整回答的是“覆盖率”而非“效率”。

Q2. 变量施药中处方图描述的是？

单选题 · mid

  • A.无人机电池的续航信息
  • B.地块边界的坐标信息
  • C.病虫害的空间分布信息← 正确答案
  • D.飞行航速的时间信息

答案：C。处方图由多光谱影像反演而来，每个网格记录着病虫害或长势的空间分布，是变量施药“按方抓药”的依据。电池信息属于续航规划，边界坐标属于建图，飞行航速属于执行参数——三者都不是处方图记录的内容。

Q3. 避障策略触发绕行的条件是？

单选题 · mid

  • A.剩余电量低于安全阈值
  • B.与障碍距离小于安全半径← 正确答案
  • C.处方图数值发生变化
  • D.通信链路信号强度变弱

答案：B。避障的核心是把“实时感知距离”与“安全半径”比较，一旦最近障碍距离小于安全半径，就触发绕行；来不及绕行则急停。剩余电量影响返航决策，处方图变化影响施药量，通信变弱影响链路稳定性——三者都不会触发物理避障。

Q4. 续航分区规划必须考虑哪些因素？

多选题 · hard

  • A.电池有效作业时间长度← 正确答案
  • B.单架次的覆盖面积大小← 正确答案
  • C.起降点的选址与往返距离← 正确答案
  • D.农药的品牌与包装规格

答案：ABC。分区规划要把“一块电池能干多大面积”算清楚：有效作业时间、单架次覆盖面积、起降点距离共同决定分区数量与边界。农药品牌与包装规格不影响飞行能力，属于药剂采购范畴，不参与分区算术。

Q5. 转弯次数过多主要带来什么影响？

单选题 · easy

  • A.变量施药的精度显著提高
  • B.处方图采样点的数量增多
  • C.无人机通信的稳定性增强
  • D.无效飞行里程和能耗增加← 正确答案

答案：D。每次转弯都要减速、转向、再加速，多一次转弯就多一段无效滑行和能耗，所以牛耕往复法会通过趟数计算控制转弯次数。精度提高、样本增多、通信增强都与转弯次数没有直接关系。

Q6. 哪些情况会触发实时路径重规划？

多选题 · hard

  • A.作业区突然出现新的障碍物← 正确答案
  • B.传感器更新了病虫害处方图← 正确答案
  • C.无人机机身颜色发生了改变
  • D.风速突变超出预设补偿范围← 正确答案

答案：ABD。新障碍物侵入安全半径、处方图更新出新的虫害热点、风速突变超出雾滴补偿范围，都会让原航线“过时”，触发在线重规划。机身颜色属于外观信息，与飞行安全无关，不会触发重规划。

Q7. 多机协同中任务面积的分配依据是？

单选题 · mid

  • A.各机作业能力的占比大小← 正确答案
  • B.各机采购价格的高低程度
  • C.操作手经验年限的长短
  • D.充电器数量的多少比例

答案：A。任务分配按“能力配额”——速度 × 喷幅 × 可用作业时间得到的作业能力，占总队的比例决定分到多大面积，从而保证各机同时收工。采购价、经验、充电器数量都不是飞行能力的度量。

Q8. 衡量施药覆盖均匀性的常用指标是？

单选题 · mid

  • A.平均飞行速度的快慢程度
  • B.变异系数 CV 数值大小← 正确答案
  • C.返航次数的多少高低
  • D.旋翼转速的大小变化

答案：B。覆盖均匀性用变异系数 CV = 标准差 ÷ 均值来衡量，CV 越小说明各点受药越均匀，越接近“处处达标”。平均速度、返航次数、旋翼转速都不能直接反映药液分布的离散程度。

Q9. 处方图中的平均虫情指数起什么作用？

单选题 · mid

  • A.用于估算无人机的续航时间
  • B.用于校正气流对雾滴的漂移
  • C.作为基准参与每格药量调节← 正确答案
  • D.用于确定地块划分的数量

答案：C。平均虫情指数作为基准 R₀，每格实际药量 = 基准药量 ×（该格虫情 ÷ 平均虫情），形成“高虫情多喷、低虫情少喷”的比例调节。续航、漂移、分区都与这个基准值无关。

Q10. 多机协同作业的防碰撞手段包括？

多选题 · hard

  • A.不同高度分层错开飞行← 正确答案
  • B.时间上错峰避免相遇← 正确答案
  • C.机间实时距离告警提醒← 正确答案
  • D.增大每架机的载药量

答案：ABC。多机防碰撞靠空间上高度分层、时间上错峰出发、机间实时距离告警三重手段，避免边界区相遇与转弯区相撞。增大载药量延长的是单机续航，并不能改变两机相遇的概率。