💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文内容如下：🎁🎁🎁

 ⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能解答你胸中升起的一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

     或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

受无人机在商业领域应用的影响，多无人机（MultiUAV）路径规划已引发广泛关注。然而，当前的研究往往未能全面考量这一复杂问题中固有的现实约束条件。本报告研究了在城市环境中执行导航任务的智能体的高效路径规划问题。每个智能体均承担配送任务，需先移动至起始点，再前往后续目标位置，同时要绕过障碍物并避免与其他智能体发生碰撞。

本文引入了两种不同的方法：两步交互规划器（Two Step Interplanner）和带冲突解决的两步交互规划器（Two Step Interplanner with Conflict Resolution）。这些方法细致地考虑了潜在的冲突点及各种约束条件。通过实验，这些算法在预先生成的3D占用地图上进行了模拟。后一种算法在需要实时计算的场景中尤为重要。这些方法最初在2D环境中进行测试，其中多个智能体被分配了特定任务和目标，随后扩展至3D地图，并考虑了无人机特有的约束条件，如最大滚转角和前飞速度。

面向城市空中交通的多无人机路径规划研究

摘要

受无人机在商业领域应用的影响，多无人机（MultiUAV）路径规划已引发广泛关注。然而，当前的研究往往未能全面考量这一复杂问题中固有的现实约束条件。本报告研究了在城市环境中执行导航任务的智能体的高效路径规划问题。每个智能体均承担配送任务，需先移动至起始点，再前往后续目标位置，同时要绕过障碍物并避免与其他智能体发生碰撞。

文中引入了两种不同的方法：两步交互规划器（Two Step Interplanner）和带冲突解决的两步交互规划器（Two Step Interplanner with Conflict Resolution）。这些方法细致地考虑了潜在的冲突点及各种约束条件。通过实验，这些算法在预先生成的3D占用地图上进行了模拟。后一种算法在需要实时计算的场景中尤为重要。这些方法最初在2D环境中进行测试，其中多个智能体被分配了特定任务和目标，随后扩展至3D地图，并考虑了无人机特有的约束条件，如最大滚转角和前飞速度。

除了所提出的方法外，本文还呈现了一个关于任务重新分配的案例研究，这是多无人机作业中的关键环节。尽管大多数现有研究侧重于静态任务分配，但本次研究针对任务执行的动态特性展开了探讨。诸如无人机故障或环境变化等不可预见的事件，可能会打乱原有的任务分配，阻碍任务的完成。为此，我们提出了一种部分任务重新分配算法（Partial Reassignment Algorithm, PRA）来解决这一难题。该算法选择性地在无人机之间重新分配任务，优化任务成功率，并减轻通信和计算负担。通过将该算法融入整体框架，增强了多无人机作业在动态环境中的适应性和鲁棒性。

随着城市空中交通（UAM）的快速发展，多无人机在城市环境中的协同作业成为研究热点。本文针对多无人机在城市环境中的路径规划问题，提出了一种综合路径规划方案，包括全局路径规划、动态避障和局部多无人机路径协同调整方法。通过仿真实验验证了该方案的有效性和优越性，为多无人机在城市空中交通中的应用提供了理论支持和技术指导。

关键词

多无人机；路径规划；城市空中交通；全局路径规划；动态避障；协同调整

1. 引言

1.1 研究背景与意义

随着城市化进程的加快，地面交通拥堵问题日益严重，开发低空资源、发展城市空中交通（UAM）成为解决城市交通问题的重要途径。无人机作为UAM的重要组成部分，具有垂直起降、灵活机动等优点，在城市物流、环境监测、应急救援等领域展现出巨大潜力。然而，多无人机在城市环境中的协同作业面临诸多挑战，其中路径规划是关键问题之一。合理的路径规划能够提高无人机的任务执行效率、安全性和整体性能，对于推动UAM的发展具有重要意义。

1.2 研究现状与发展趋势

目前，国内外学者在多无人机路径规划领域已经开展了大量研究。传统的路径规划算法如A*、Dijkstra等在静态环境中能够找到最优路径，但在动态环境中效率较低。随着人工智能技术的发展，基于群智能的优化算法（如粒子群算法、蚁群算法）和基于深度学习的路径规划方法逐渐成为研究热点。这些方法能够更好地适应复杂多变的城市环境，提高路径规划的效率和准确性。未来，多无人机路径规划将更加注重实时性、动态性、智能性和安全性，朝着更加自适应、自学习的方向发展。

2. 多无人机路径规划问题描述

2.1 问题定义

多无人机路径规划问题是指在城市环境中，为多架无人机规划从起点到终点的无碰撞、高效且满足任务约束的飞行路径。该问题需要考虑无人机的动力学特性、城市环境的复杂性（如建筑物、障碍物、气象条件等）以及多无人机之间的协同和避障。

2.2 约束条件

• 空域约束：城市空域有限，需要合理划分无人机的飞行区域，避免空域冲突。
• 障碍物约束：城市环境中存在大量障碍物，如建筑物、高压线等，无人机需要避开这些障碍物。
• 能源约束：无人机的续航能力有限，路径规划需要考虑能源消耗，确保无人机能够完成任务。
• 任务约束：不同的任务对无人机的飞行路径有不同的要求，如巡逻任务需要覆盖特定区域，运输任务需要按时到达目的地。
• 多无人机协同约束：多架无人机之间需要协同作业，避免碰撞，同时实现任务的高效完成。

2.3 性能指标

• 路径长度：衡量无人机飞行路径的优劣，路径越短，效率越高。
• 飞行时间：无人机从起点到终点所需的时间，飞行时间越短，任务执行效率越高。
• 避障成功率：无人机在飞行过程中成功避开障碍物的概率，避障成功率越高，安全性越好。
• 能源消耗：无人机完成任务所需的能源，能源消耗越低，经济性越好。
• 多无人机协同效率：衡量多架无人机之间协同作业的效果，协同效率越高，整体任务完成质量越好。

3. 多无人机路径规划方法

3.1 全局路径规划方法

3.1.1 基于改进RRT*算法的全局路径规划

快速扩展随机树算法（RRT）是一种基于采样的路径规划算法，能够在高维空间中快速找到可行路径。本文对传统RRT算法进行了多项改进，以适应城市空中交通的复杂环境：

• 限制节点拓展角度：通过限制节点的拓展角度，使算法生成的路径更加平滑，减少不必要的转弯，提高路径的可行性。
• 实施动态碰撞检测：在节点拓展过程中，实时进行碰撞检测，避免生成与障碍物碰撞的路径，提高路径的安全性。
• 满足分层空域要求：考虑城市空域的分层结构，将路径规划在不同空域层中进行，避免空域冲突。
• 增设虚拟障碍：在可能发生碰撞的区域增设虚拟障碍，引导算法生成更加安全的路径。

3.1.2 图论方法

将城市环境抽象为图结构，节点代表可行位置，边代表可行路径。采用Dijkstra、Floyd等经典最短路径算法，求解单个无人机从起点到终点的最优路径。同时，考虑多无人机之间的协同和避障，利用图论中的最大流、最小割等理论进行路径规划和优化。

3.2 动态避障方法

3.2.1 基于动态风险场的模型预测控制方法

该方法通过轨迹预测层、风险评估层和路径优化层的分层架构，将动态障碍物轨迹预测与风险场建模结合，通过模型预测控制滚动优化生成平滑避障路径。

• 轨迹预测层：利用传感器数据和机器学习算法，预测动态障碍物的未来运动轨迹。
• 风险评估层：根据障碍物的位置、速度和运动方向，评估无人机与障碍物发生碰撞的风险，构建动态风险场。
• 路径优化层：在动态风险场的基础上，利用模型预测控制算法，滚动优化生成无人机的避障路径，确保无人机在避开障碍物的同时，尽可能保持路径的平滑性和高效性。

3.2.2 动态窗口法（DWA）

DWA通过速度空间采样，实时选择最优速度和方向，适用于快速变化场景。该方法结合无人机的动力学特性，在速度空间中进行采样，计算每个采样速度下的路径代价，选择代价最小的速度和方向作为无人机的下一时刻运动指令，实现实时避障。

3.3 局部多无人机路径协同调整方法

3.3.1 多无人机协同规划策略

针对城市突发空域管制场景，设计了一种多无人机协同路径调整方法，包括无人机类别划分、无人机优先级评估、协同绕飞规划和动态调整四个部分。

• 无人机类别划分：根据无人机的任务类型、飞行状态和重要性，将无人机划分为不同的类别。
• 无人机优先级评估：根据无人机的类别、剩余能源、任务紧急程度等因素，评估每架无人机的优先级。
• 协同绕飞规划：根据空域管制区域的位置和范围，结合无人机的优先级，规划无人机的协同绕飞路径，确保无人机能够安全避开管制区域。
• 动态调整：在飞行过程中，根据实时环境信息和任务需求，对无人机的绕飞路径进行动态调整，提高无人机的适应性和灵活性。

3.3.2 分布式协同控制算法

研究分布式协同控制算法，使无人机群能够更加高效地完成任务，并降低彼此之间的干扰。通过局部信息交互，每架无人机能够根据周围无人机的状态和环境信息，自主调整飞行路径，实现多无人机的协同作业。

4. 实验仿真与结果分析

4.1 实验平台搭建及参数设置

• 实验环境：设置不同的实验场景，包括城市环境、山区环境、海上环境等，以测试算法在不同环境下的适应性和鲁棒性。
• 无人机参数：设定无人机的数量、飞行速度、飞行高度、传感器性能等参数。例如，无人机最大速度为20m/s，最小转弯半径为50m，续航时间为1小时。
• 障碍物设置：在实验场景中设置不同类型的障碍物，包括静态障碍物（如建筑物、高山）和动态障碍物（如移动车辆、其他飞行器），模拟城市环境中的复杂情况。
• 仿真软件：选择MATLAB、Python等仿真软件和工具，搭建多无人机路径规划的实验平台。

4.2 不同场景下仿真实验设计

• 静态环境实验：在静态环境中，测试全局路径规划算法的性能，比较改进RRT算法与传统RRT算法、A*算法等在路径长度、计算时间等方面的差异。
• 动态环境实验：在动态环境中，引入动态障碍物，测试动态避障算法的有效性。通过改变动态障碍物的数量、速度和运动方向，分析算法在不同动态环境下的避障成功率和路径优化效果。
• 多无人机协同实验：设置多无人机协同作业场景，测试局部多无人机路径协同调整方法的性能。通过改变无人机的数量、初始位置和任务分配，分析算法在多无人机协同避障、任务分配和路径优化方面的效果。

4.3 结果对比与分析

• 路径长度与飞行时间：比较不同算法在不同场景下生成的路径长度和飞行时间，验证改进算法在提高路径效率和缩短飞行时间方面的优势。
• 避障成功率：统计无人机在动态环境中成功避开障碍物的次数和比例，评估动态避障算法的避障成功率。
• 多无人机协同效率：通过分析多无人机在协同作业过程中的路径冲突次数、任务完成时间和整体任务完成质量，评估局部多无人机路径协同调整方法的协同效率。
• 算法性能对比：将本文提出的算法与现有算法进行对比，从路径质量、计算效率、避障性能和协同效率等方面分析本文算法的优缺点和改进方向。

5. 结论与展望

5.1 研究成果总结

本文针对面向城市空中交通的多无人机路径规划问题，提出了一种综合路径规划方案，包括全局路径规划、动态避障和局部多无人机路径协同调整方法。通过仿真实验验证了该方案的有效性和优越性，具体成果如下：

• 全局路径规划：改进的RRT*算法能够生成更加平滑、安全的路径，适应城市空中交通的复杂环境。
• 动态避障：基于动态风险场的模型预测控制方法和动态窗口法能够实时有效地避开动态障碍物，提高无人机的安全性。
• 多无人机协同：局部多无人机路径协同调整方法能够实现多架无人机的协同作业，避免路径冲突，提高整体任务完成效率。

5.2 创新点及贡献

• 创新性地将智能优化算法应用于多无人机路径规划问题：通过改进RRT*算法和引入群智能优化算法，提高了路径规划的全局搜索能力、收敛速度和避障性能。
• 提出了一种综合路径规划方案：将全局路径规划、动态避障和局部多无人机路径协同调整方法相结合，解决了多无人机在城市环境中的路径规划问题。
• 为多无人机在城市空中交通中的应用提供了理论支持和技术指导：通过仿真实验验证了算法的有效性，为实际应用提供了参考依据。

5.3 未来研究方向

• 深度学习融合：利用神经网络自动学习路径规划策略，提升算法智能化水平。通过深度学习算法对大量历史飞行数据的学习，使无人机能够更好地适应复杂多变的城市环境。
• 实时动态规划：结合边缘计算，实现低延迟动态路径更新。在城市环境中，环境信息变化迅速，实时动态规划能够使无人机及时调整飞行路径，提高任务执行的灵活性和效率。
• 大规模无人机编队：研究分布式PSO框架，解决百架级无人机协同路径规划问题。随着无人机技术的不断发展，大规模无人机编队的应用需求将不断增加，分布式算法能够提高系统的鲁棒性和可扩展性。

📚2 运行结果

🎉3 参考文献 

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。(文章内容仅供参考，具体效果以运行结果为准)

🌈4 Matlab代码、文章下载

资料获取，更多粉丝福利，MATLAB|Simulink|Python资源获取