本文是对参考文章《无人机航线规划思路剖析，基于凸多边形地块往复式运动》算法实现的一个优化，优化内容点：
- 航线间隔的优化
- 航线外扩
注：接下来的内容，请务必掌握参考文章内容的知识点。
航线间隔计算的优化
优化前写法：
作者使用了一个非常简单粗暴的写法，即用多边形外接矩形计算出最北方向和最南方向的距离，然后除以航线间隔距离，得出规划航线的数量:
function distance(p1,p2){ /**leaflet提供的方法*/ return L.latLng(p1.lat,p1.lng).distanceTo(L.latLng(p2.lat,p2.lng)) } /** nw到sw的距离*/ var dist = distance(nw,sw); /** 得出答案*/ var lines = parseInt(dist / 20) 复制代码
然后再用最北方向的纬度减去最南方向的纬度，除以已知的航线数量，即可得到每条航线之间的纬度差，以此从上往下计算出每条航线的纬度:
var N=[]; var stepLat=(nw.lat-sw.lat)/lines; for(var i=0;i<lines;i++){ N.push(nw.lat - i * stepLat) } 复制代码
我们可以举个简单的例子来表明此方法的弊端，假设北纬与南纬之间的间隔距离为 100 米，并且要求航线间隔是 30 米，按照上述代码可计算出 lines = 3，然后再计算出纬度差画出航线，我们所期望的间隔 30 米，在此平均算法后，实际的每条间隔却变成了 33.33 米，如图：
导致了旁向重叠率一直不准确。
优化后写法
使用方位角算法：已知一点经纬度，方位角，距离，求另一点经纬度。
public static MapLatLng getBearingLatLng(MapLatLng latLng, int distance, double bearing) { double R = 6371.393 * 1000; double δ = distance / R; double θ = toRadius(bearing); double φ1 = toRadius(latLng.getLatitude()); double λ1 = toRadius(latLng.getLongitude()); double sinφ2 = Math.sin(φ1) * Math.cos(δ) + Math.cos(φ1) * Math.sin(δ) * Math.cos(θ); double φ2 = Math.asin(sinφ2); double y = Math.sin(θ) * Math.sin(δ) * Math.cos(φ1); double x = Math.cos(δ) - Math.sin(φ1) * sinφ2; double λ2 = λ1 + Math.atan2(y, x); double lat = toDegree(φ2); double lng = toDegree(λ2); return new MapLatLng(lat, lng); } private static double toRadius(double value) { return value * Math.PI / 180; } private static double toDegree(double value) { return value * 180 / Math.PI; } 复制代码
具体实现是，以最北纬度为基准点，在航线间隔距离下，计算出 180 度方向(正北为0度)的一个点，该点则是第一条航线上的点，然后再通过该点为基准点，一直反复计算出下一个点，直到下一个航点的位置小于最南纬度为止，仍是上述的例子，计算后的航线效果如图:
航线外扩
航线外扩功能主要是为了无人机能更好的拍摄地块边界，在合成三维模型中有更好的展现。在参考文章中，作者并未对航线的外扩进行实现，我们在分析竞品时，可以看见 DJI Pilot 是有该功能的实现的：
具体实现：
仍是利用方位角算法，对航线中的两点进行向左外扩和向右外扩，示意图如下:
红线是我们外扩的距离，该距离为航线间隔距离即可。我们知道线是由两点构成的，也即意味着，航点集是一个偶数，那么我们可以每次以步长为 2 进行循环遍历航点集，每次取两个点进行经度的比较，如果 点1 的经度大于 点2 的经度，那么 点1 就要向右进行外扩， 点2 就要向左进行外扩，外扩算出来的点需要替换原集合位置的点，以此类推下去，即可实现所有点的外扩，实现效果如下：
