复杂环境下无人机动态路径规划

基于蚁群优化（ACO）和人工势场的路径规划新算法

动态威胁和静态障碍物都被考虑在内，以生成代表无碰撞路径规划环境的人工场。为了提高路径搜索效率，应用坐标变换将地图原点移动到路径的起点，并与源-目的地方向一致。建立成本函数来表示动态变化的威胁，成本值被认为是移动威胁的标量值，实际上是向量。在无人机搜索最 佳移动方向的过程中，利用蚂蚁优化算法对路径成本值、移动威胁和总成本进行优化。

基于对周围信息的掌握程度，路径规划可以由两个规划引擎构建，包括利用先验环境信息进行全局规划的全局路径规划引擎和响应实时传感器信息的局部路径规划引擎

局部路径规划适用于起点和目的地较近的情况。局部路径规划快速、实时、响应灵敏，但很容易受到局部信息的干扰，从而陷入局部最优解而无法实现全局目标。全局路径规划提供了整体寻路的解决方案，它根据获得的环境信息找出一条可行且最优的路径。

首先获取所有环境信息，然后根据构建的环境地图进行初步（全局）路径规划。全局路径规划依赖于全局环境信息，无法处理规划过程中的实时问题。全局路径规划需要大量的计算能力。同时，局部路径规划是一种动态规划，而全局路径规划属于静态规划

路径规划主要方法

目前开发的路径规划的主要方法包括基于图的、基于群体的进化算法和分布式方法

n基于图的算法包括Voronoi图搜索方法、基于有向图的方法、A搜索算法、数学规划方法、人工势场方法(APF)和D lite算法。然而，基于图的算法由于难以解决无人机的运动约束，在实际情况中表现出了弱点。

n基于群体的算法包括粒子群优化（PSO）、蚁群优化（ACO）、智能水滴优化（IWD）、引力搜索算法（GSA）和人工蜂群算法（ABC）。基于群体的进化算法具有在规划阶段降低复杂度和维数的优点

n分布式路径规划使用智能节点之间的消息交换将路径规划卸载到环境中。虽然这些方法需要最 大限度地减少机载处理，但它们依赖于预安装的智能基础设施。

每种方法在某些方面都有其自身的缺点。例如，APF方法在障碍物较为密集的情况下无法有效生成路径。如果目标附近有障碍物，则无法到达目标。此外，当规划路径靠近障碍物或狭窄通道时，可能会出现抖动

对于ACO算法来说，它需要大量的计算，并且效率很大程度上依赖于参数。如果参数设置错误，则求解速度慢、求解质量差。虽然通过交换信息可以得到最优解，但当问题内容太大时，效率必然会降低。同时，ACO算法收敛速度慢，并且由于缺乏初始信息而容易陷入局部最优解

基于蚁群优化算法和人工势场算法的无人机路径规划新模型

针对上述挑战，提出了一种基于蚁群优化算法和人工势场算法的无人机路径规划新模型。

移动威胁和静态威胁都被认为具有设定的影响半径。此外，诸如雷达、导弹、火炮和大气层等移动威胁也给出了它们的移动方向。在初始化过程中，将使用可用的环境信息在变换后的坐标系下构建网格地图。将设置路径上点的初始坐标。然后从起点出发，根据移动威胁的概率和成本来搜索最 佳移动方向。信息素和下一步的运动会迭代更新，直到以最 佳解决方案达到目标。

算法成本更低，性能更高，路径更平滑。

成本包括移动威胁成本、路径成本和总成本。路径成本主要考虑为整个路径的燃料消耗。

n建筑模型

无人机路径规划是一个全局优化问题，生成一组从起点S到目的地点D的路径点，并保证不会飞出指定地图或被威胁夺走。静态威胁是在空间中具有静态位置的障碍物（用设定半径的黄色圆圈表示）；移动威胁是以已知的恒定速度动态移动的障碍物（表示为蓝色圆圈）。

为了降低无人机路径规划中计算过程的复杂度，产生了坐标系的变换。将S和D之间的直线作为新的x轴，以无人机的起点（S）作为新的坐标原点，然后将原始坐标系转换为新的坐标系。

n蚁群优化算法

蚁群算法的基本数学模型首先应用于旅行商问题。该问题可以描述为找到商人至少访问所有城市一次和最多一次访问所有城市的最短路径。

假设有 m 个城市和 N 个推销员，每只蚂蚁选择距离相同的下一个城市移动，并释放一致的信息素。在网格中，每只蚂蚁只能选择与它当前所在网格相邻的一个网格。如图3所示，当蚂蚁处于(4,5)网格时，它可以选择的网格有(3,4)、(3,5)、(3,6)、(4,4)、 (4,6)、(5,4)、(5,5) 和 (5,6)。由于网格(3,4)和(4,4)被障碍物占据，这两个网格将被蚂蚁忽略

n人工势场算法

人工势场算法是通过模拟自然界的重力场，基于物体施加的排斥力或吸引力。势场中，障碍物O对无人机A有斥力作用，且与距离成反比变化；也就是说，距离越近，斥力越大。同时，目的地D对A的吸引力与距离成正比，即吸引力随着距离的增加而增加。

A在未知环境下受到虚拟斥力和吸引力的影响，其合力就是无人机的原动力。

n算法实现

结合了ACO算法和APF算法

1. 步骤1（路径规划场形成）。首先，制定无人机飞行场，其中包含起始点、目标点和矩形区域。无人机检测的威胁包括移动威胁和静态威胁。静态威胁的半径和位置是已知的，移动威胁及其移动方向将被感知。所有点坐标转换为新坐标系。

2. 步骤 2（初始化）。在所提出的算法中，每个蚂蚁的禁忌列表以及蚂蚁的状态和属性被初始化。此外，通过压缩垂直坐标，可以将蚂蚁运动范围的二维坐标变为一维数组。

3. 步骤3（开始算法迭代）。一旦初始化完成，算法将迭代更新位置和状态，直到满足终止条件。终止标准设置为蚂蚁无法到达目的地或陷入死循环。首先，下一步可以得到所有点的坐标；即计算既不在禁忌表中又不在静态威胁中的点。然后移动威胁开始移动，每个威胁移动一步就像蚂蚁移动一步一样。接下来，基于概率和移动威胁的成本来搜索局部和全局最优移动方向

4. 步骤4（输出）。一旦满足终止条件，迭代过程就会停止。每个步骤过程中生成的路径点将按顺序链接。这些路径点最终形成最终的全局最优路径。