基于多属性栅格特征的无人机航迹规划:以江苏南京江宁区部分区域为例

王俊潼; 包丹文; 韦达; 尚静萱; 张孜芊

doi:10.12404/j.issn.1671-1815.2505073

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (18) :7937-7950 DOI: 10.12404/j.issn.1671-1815.2505073

航空、航天

基于多属性栅格特征的无人机航迹规划:以江苏南京江宁区部分区域为例

王俊潼 ¹ ,
包丹文 ¹^,^* ,
韦达 ² ,
尚静萱 ¹ ,
张孜芊 ¹

作者信息 +

UAV Trajectory Planning Based on Multi-attribute Grid Features: Parts of Jiangning District, Nanjing, Jiangsu Province

Author information +

文章历史 +

摘要

针对城市环境中低空无人机实际飞行需求各异的问题,提出了基于多属性栅格特征的无人机三维航迹规划方法。首先,设计了安全风险、噪声敏感和隐私敏感作为主要栅格特征,建立了多属性栅格特征评价模型和风险评估模型,对栅格特征权值和风险评估方法进行了标定;然后,通过人口密度层、遮蔽层和障碍物层构成安全风险层,再将安全风险层与噪声敏感层和隐私敏感层融合形成了栅格单元为30 m×30 m×70 m的细粒化、融合化多属性栅格特征地图;最后,综合利用多属性栅格特征地图和双向A*算法,对无人机三维航迹进行了初始规划和平滑处理。实验结果表明,与传统单向A*算法相比,双向A*算法有效减少了算法运行时间和航迹总距离,更适合规划无人机航迹;使用三阶贝塞尔曲线平滑能够将航迹转弯点减少85%以上;与不结合多属性栅格特征地图的方法相比,基于多属性栅格特征地图的航迹规划增加了56.3%的高性能值航迹点,相应的路径长度仅增加了4%,航迹平均性能较改进前显著提高;同时,经过对不同飞行目标任务进行实验对比分析并给出了差异化航迹建议。研究成果可为城市低空无人机航迹规划和相关飞行计划体系的建立提供理论依据和支撑。

Abstract

To address the diverse practical flight requirements of low-altitude UAVs (unmanned aerial vehicles) in urban environments, a three-dimensional trajectory planning method based on multi-attribute grid features is proposed. First, safety risk, noise sensitivity, and privacy sensitivity were designed as primary grid features. A multi-attribute grid feature evaluation model and a risk assessment model were established, with calibrated feature weights and risk evaluation methods. Subsequently, the safety risk layer was constructed by integrating population density, shelter coverage, and obstacle layers. This layer is further fused with noise-sensitive and privacy-sensitive layers to generate a fine-grained, integrated multi-attribute grid map with a resolution of 30 m×30 m×70 m. Finally, the bidirectional A* algorithm was employed in conjunction with the multi-attribute grid map for initial trajectory planning and smoothing. Experimental results demonstrate that, com-pared to the traditional unidirectional A* algorithm, the bidirectional A* algorithm significantly reduces computation time and total trajectory distance, proving more suitable for UAV trajectory planning. The application of third-order Bezier curve smoothing reduces turning points by over 85%. Compared to methods without multi-attribute grid features, the proposed approach increases high-performance trajectory points by 56.3% with only a 4% increase in path length, achieving substantial improvements in average trajectory performance. Additionally, comparative experiments on diverse mission objectives provide differentiated trajectory recommendations. The research outcomes offer theoretical foundations and technical support for urban low-altitude UAV trajectory planning and the development of related flight management systems.

Graphical abstract

关键词

无人机 / 城市低空 / 多影响因素 / 特征地图 / 改进双向A*算法 / 航迹规划

Key words

UAV / urban low-altitude / polyfactors / feature maps / improved bidirectional A* algorithm / trajectory planning

引用本文

引用格式 ▾

王俊潼, 包丹文, 韦达, 尚静萱, 张孜芊. 基于多属性栅格特征的无人机航迹规划:以江苏南京江宁区部分区域为例[J]. 科学技术与工程, 2026, 26(18): 7937-7950 DOI:10.12404/j.issn.1671-1815.2505073

WANG Jun-tong, BAO Dan-wen, WEI Da, SHANG Jing-xuan, ZHANG Zi-qian. UAV Trajectory Planning Based on Multi-attribute Grid Features: Parts of Jiangning District, Nanjing, Jiangsu Province[J]. Science Technology and Engineering, 2026, 26(18): 7937-7950 DOI:10.12404/j.issn.1671-1815.2505073

登录浏览全文

4963

注册一个新账户忘记密码

随着国家将低空经济作为未来重点发展方向之一,低空空域开放程度的逐步扩展,低空运行试点数目日渐增多,无人机数量及运行规模逐步扩大。截至2023年底,中国民用无人机数量超126万架,累计飞行小时超2 300万h,无人机运行场景和运行目标日益多元。随着2024年《无人驾驶航空器飞行管理暂行条例》的正式实施,无人机在基础设施巡检、物流配送、城市通勤、紧急医疗服务、农业等领域运行有法可依,需求广泛,阶段化应用成果初步体现。然而,随着无人机飞行任务类型和任务目标复杂度增大,传统航迹规划算法已不能适应低空飞行需求,亟需一种方法在无人机运行前针对不同运行目标给出多样化路径规划建议,以适应于不同运行场景。

在无人机安全评估方面,现有研究大多聚焦于对无人机地面运行风险进行量化或通过对目标区域构建风险地图辅助风险识别。Zhu等^[1]针对固定翼和四旋翼无人机飞行时对地面风险评估,设计了基于网格的风险地图,并重点研究地面避难系统与降落伞系统的风险缓解效果,仿真结果表明该风险地图对多机型无人机均有较好的风险评估效果。Zhou等^[2]考虑了地面风险和财产损失风险,基于卫星影像中高分辨率数据提取城市地面特征形成了地面风险地图。陈艺君等^[3]通过建立地面风险量化评估模型,结合城市区域、人口密度、遮蔽情况、障碍物分布及禁飞区等多图层生成了成都市部分区域的无人机对地风险图,其有利于辅助无人机在运行过程中识别区域的风险程度。

在无人机航迹规划方面,诸如人工势场法^[4]、A*算法^[5-10]、JPS算法^[11]等基于构型空间方法的算法和蚁群算法^[12-13]、强化学习算法^[14-16]等基于合作与非合作方法的算法已被广泛研究并运用。然而,这些传统算法往往对单一飞行目标进行航迹规划,且部分算法在解算过程中容易出现局部最优解,规避障碍物时航迹构型复杂,转弯点、拐点较多,不符合实际飞行需要。Zhang等^[17]提出改进三维JPS算法有效地规避了静态障碍物并降低了噪声污染,在航迹距离和航空器转弯难度上算法均表现出良好性能;谢华等^[18]基于地理围栏安全缓冲间距优化低空风险地图细节,利用三维JPS算法实现了复杂城市环境下对地风险最低的路径规划;曲欣宇等^[19]以航线置信度指标作为低空物流风险地图依据,使用NSGA-III算法对成本、风险和路径平滑度综合目标进行路径规划,算法在二维风险地图中运算性能较好。

上述研究针对无人机航迹规划进行了一定的研究,但存在以下问题:①现有航迹规划研究大多仅将栅格作为基础飞行环境,较少对栅格特征进行综合评估利用或仅把栅格的安全属性作为考虑点进行研究,且目前大多数构建的风险地图精细化程度不高,基于此进行实际运行风险较高;②现有研究多仅以最大化运行效率或最小化碰撞风险为目标进行航迹规划。然而,在实际运行过程中不同低空飞行任务的目标重心不同,其难以支持多运行场景不同目标下的运行要求;③传统航迹规划算法由于算法结构和约束限制,在航迹搜索过程中缺少对不同目标的搜索倾向,不能较好地满足复杂低空运行场景下的多样化、差异化运行要求。

鉴于以上问题,针对以下方面进行了探索与创新:一是评价层面,区别于现有研究仅围绕运行过程中的安全、效率或二者组合因素,考虑和拓展了综合因素涵盖更广的栅格属性特征,并将各不同特征层融合为精度更细的多属性栅格特征地图;二是算法层面,通过改进传统A*算法使其与多属性栅格特征地图耦合,提高算法的搜索倾向和效率,航迹可以根据运行需求进行“地图+算法”整体调整,不同于现有部分研究,地图不单作为环境建模而进一步作为航迹规划依据和性能目标,实现“图算融合”,并通过三阶贝塞尔曲线进行航迹平滑,解决了航迹不平滑和转弯点较多的问题;三是应用层面,通过设计运行目标侧重各不相同的几类经典低空运行场景,验证了改进算法的应用性和可移植性,并探究了多属性栅格特征地图不同下的无人机运行模式,补充了相关实验空白。

为此,现结合航迹实际需求确定栅格地图的重要特征,并使用组合赋权综合评价方法得出合理权重,为后续多属性栅格特征地图的形成提供依据;其次,将多属性栅格特征地图拆分为安全风险层、噪声敏感层和隐私敏感层,并分别建立模型进行计算与生成,得出多属性栅格特征综合评价结果和多属性栅格特征地图;然后,将多属性栅格特征与双向A*算法相结合,并结合算法特点,引入新的多属性栅格特征代价因子和权重使启发式函数值受到多属性栅格特征影响,并分别通过算法对比和灵敏度分析验证改进后算法的优势和算法的场景可应用性;最后,设置低空巡检、紧急医疗服务以及一般物流配送三种不同运行场景,给出差异化航迹建议。提出多属性栅格特征评价模型和地图构建方法,以及基于多属性栅格特征的无人机三维航迹规划方法,以期提高低空运行综合效能和低空任务质量,进一步推动低空高质量、应用化发展。

1 多属性栅格特征评价模型

三维栅格包含了栅格所处的空域、地面建筑物、人口密度等多个元素,不同元素之间的耦合关系和相互作用形成了多种栅格特征。栅格特征作为栅格地图自身组成部分,特征属性将对无人机航迹规划所关注的安全性、公众接受性等方面产生直接影响,同时栅格特征本身可以作为无人机航迹规划的数据参考辅助增强航迹规划结果的合理性和性能。因此,结合专家意见和《城市场景轻小型无人驾驶航空器物流航线划设规范》(下文称《规范》)等资料后选取了栅格特征中较具代表性的安全风险、噪声敏感和隐私敏感3种特征进行分析评价。

1.1 基于组合赋权的多属性栅格特征综合评价模型

1.1.1 主观权重

采用G1法来计算主观权重,确定属性间的序关系,逻辑较为清晰,可以降低指标判断难度。同时,清晰的序关系在最终的权重计算上也比传统的AHP法更为简便,但又不失主观性。G1法计算过程如下。

(1)确定不同指标间的序关系。专家根据栅格属性指标体系评估标准,在指标集

$\{{\mathit{G}}_{1},{\mathit{G}}_{2},\dots,{\mathit{G}}_{\mathit{n}}\}$

中选出最重要的指标记为

${\mathit{G}}_{1}^{\mathrm{*}}$

;然后,在剩余指标中选取最重要的指标记为

${\mathit{G}}_{2}^{\mathrm{*}}$

;重复上述步骤直到最后一个指标被按重要性排序,形成指标重要度序列

$\{{\mathit{G}}_{1}^{\mathrm{*}}\ge {\mathit{G}}_{2}^{\mathrm{*}}\ge \dots \ge {\mathit{G}}_{\mathit{n}}^{\mathrm{*}}\}\mathit{。}$

(2)确定序列相邻指标间的重要程度。对于序列中的任意两个指标

${\mathit{G}}_{\mathit{i}}^{\mathrm{*}}$

和

${\mathit{G}}_{\mathit{i}-1}^{\mathrm{*}}$

,则其指标相对重要程度可表示为

(1)

${\partial }_{\mathit{\beta }}=\frac{{\mathit{\omega }}_{\mathit{\beta }-1}}{{\mathit{\omega }}_{\mathit{\beta }}}$

式(1)中:

${\partial }_{\mathit{\beta }}$

为指标相对重要程度;ω_β和ω_β-1为指标归一化值;

$\mathit{\beta }=\mathit{n},\mathit{n}-1,\dots,2$

${\partial }_{\mathit{\beta }}$

越大则指标

${\mathit{G}}_{\mathit{i}-1}^{\mathrm{*}}$

相比指标

${\mathit{G}}_{\mathit{i}}^{\mathrm{*}}$

的重要程度越大。

ω_β-1/ω_β的赋值标准如表1所示。

根据《规范》相关内容并对3种特征进行分析,确定了噪声敏感和安全风险相对于隐私敏感的

${\partial }_{\mathit{\beta }}$

值分别为1.2和1.8,计算指标权重公式为

(2)

${\mathit{w}}_{1}^{\mathit{j}}={\left(1+\stackrel{\mathit{n}}{\sum _{\mathit{\beta }=2}}\stackrel{\mathit{n}}{\prod _{\mathit{j}=\mathit{\beta }}}{\partial }_{\mathit{j}}\right)}^{-1}$

(3)

${\mathit{\omega }}_{\mathit{\beta }-1}={\mathit{\omega }}_{\mathit{\beta }}{\partial }_{\mathit{\beta }}$

式中:

${\mathit{w}}_{1}^{\mathit{j}}$

为指标j的主观权重;

${\partial }_{\mathit{j}}$

为指标j的相对重要程度;

$\mathit{\beta }=\mathit{n},\mathit{n}-1,\dots,2$

,且

$\stackrel{\mathit{n}}{\sum _{\mathit{j}=1}}{\mathit{w}}_{1}^{\mathit{j}}=1$

,则隐私敏感、噪声敏感和安全风险主观权重计算结果为

${\mathit{w}}_{1}=\left[\mathrm{0.2018,0.3363,0.4619}\right]\mathit{。}$

1.1.2 客观权重

采用熵权法计算栅格特征指标的初始客观权重。其计算步骤如下。

首先对栅格各特征指标根据指标性质进行归一化处理;然后,运用熵权法相关公式确定评价指标客观权重,栅格特征的熵值可由式(4)得到。

(4)

${\mathit{E}}_{\mathit{j}}=-\frac{1}{\mathrm{l}\mathrm{n}\mathit{n}}\stackrel{\mathit{n}}{\sum _{\mathit{i}=1}}{\mathit{S}}_{\mathit{i}\mathit{j}}\mathrm{l}\mathrm{n}{\mathit{S}}_{\mathit{i}\mathit{j}}$

(5)

${\mathit{S}}_{\mathit{i}\mathit{j}}=\frac{{\mathit{r}}_{\mathit{i}\mathit{j}}}{\stackrel{\mathit{n}}{\sum _{\mathit{j}=1}}{\mathit{r}}_{\mathit{i}\mathit{j}}}$

式中:E_j为熵值;S_ij为第j项栅格特征评价指标在第i个取值的特征比重;r_ij为归一化后的栅格指标值。

使用熵权法得出的客观权重为

(6)

${\mathit{w}}_{2}^{\mathit{j}}=1-\frac{{\mathit{E}}_{\mathit{j}}}{\stackrel{\mathit{n}}{\sum _{\mathit{j}=1}}(1-{\mathit{E}}_{\mathit{j}})}$

式(6)中:

${\mathit{w}}_{2}^{\mathit{j}}$

为栅格评价指标j的客观权重,且各评价指标权重之和为1,则隐私敏感、噪声敏感和安全风险客观权重最终评价结果为

${\mathit{w}}_{2}=\left[\mathrm{0.2459,0.3524,0.4017}\right]\mathit{。}$

1.1.3 组合权重计算

采用乘数合成法来计算栅格特征评价指标组合权重

${\mathit{w}}_{\mathit{z}}^{\mathit{i}}=[{\mathit{w}}_{\mathit{z}}^{1},{\mathit{w}}_{\mathit{z}}^{2},\dots,{\mathit{w}}_{\mathit{z}}^{\mathit{n}}],$

第k个栅格属性评价指标的组合权重

${\mathit{w}}_{\mathit{z}}^{\mathit{k}}$

的计算公式为

(7)

${\mathit{w}}_{\mathit{z}}^{\mathit{k}}=\frac{{\mathit{w}}_{1}^{\mathit{k}}{\mathit{w}}_{2}^{\mathit{k}}}{\stackrel{\mathit{n}}{\sum _{\mathit{k}=1}}\left({\mathit{w}}_{1}^{\mathit{k}}{\mathit{w}}_{2}^{\mathit{k}}\right)}$

式(7)中:

${\mathit{w}}_{1}^{\mathit{k}}$

为第k个评价指标的主观权重;

${\mathit{w}}_{2}^{\mathit{k}}$

为第k个评价指标的客观权重,则隐私敏感、噪声敏感和安全风险组合权重计算结果为

$\mathit{w}=\left[\mathrm{0.1402,0.3352,0.5246}\right]\mathit{。}$

1.2 风险评估模型

航迹规划中出现的安全风险问题一般指无人机飞越低空空域时,由于其出现系统失效或某些不可抗力因素与地面要素碰撞,进而对地面人员造成伤亡危害。同时,考虑到无人机在飞行过程中出现空中安全风险事件,其造成的最终结果也是坠地造成地面风险。因此,主要从地面风险来评估航迹规划中的安全风险问题,风险值用无人机对地面人员造成的伤亡概率表示。

无人机从发生事故到造成地面人员伤亡事件的过程中,经历了3个阶段:①无人机出现系统失控或遭遇不可抗力因素而下降;②无人机撞击地面后与人员发生碰撞;③被撞人员出现伤亡。因此,航迹规划中出现的地面风险伤亡概率可表示为

(8)

$\mathrm{R}=\underset{(\mathit{x},\mathit{y})\subset \mathit{A}}{\int \int }{\mathit{\delta }}_{\mathrm{f}\mathrm{a}\mathrm{l}\mathrm{s}\mathrm{e}}{\mathit{P}}_{\mathrm{c}\mathrm{o}\mathrm{l}\mathrm{l}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}}{\mathit{P}}_{\mathrm{f}\mathrm{a}\mathrm{t}\mathrm{a}\mathrm{l}\mathrm{i}\mathrm{t}\mathrm{y}}\mathrm{d}\mathit{x}\mathrm{d}\mathit{y}$

式(8)中:R为无人机撞击地面后造成人员伤亡的概率,即风险值;(x,y)为地理位置坐标;A为潜在撞击区域的影响范围;

${\mathit{\delta }}_{\mathrm{f}\mathrm{a}\mathrm{l}\mathrm{s}\mathrm{e}}$

为无人机出现下降事故的概率;P_colision为无人机与地面人员发生碰撞的概率;P_fatality为被撞人员出现伤亡的概率。

1.2.1 无人机下降事故概率

无人机出现下降事故与无人机自身性能参数、机载设备配置情况等密切相关,为方便研究,设定无人机在失效后出现下降的方式为弹道下降,假设无人机出现弹道下降事件的概率不变且为1/500,即

${\mathit{\delta }}_{\mathrm{f}\mathrm{a}\mathrm{l}\mathrm{s}\mathrm{e}}$

的值为1/500。

1.2.2 无人机撞击人员概率

无人机与地面人员发生碰撞的概率取决于撞击区域的人口密度和撞击所影响的区域面积,撞击影响区域类似于胶囊型,如图1所示。无人机撞击影响区域面积和撞击人员概率可定义为

(9)

${\mathit{P}}_{\mathrm{c}\mathrm{o}\mathrm{l}\mathrm{l}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}}(\mathit{x},\mathit{y})=\mathit{\rho }(\mathit{x},\mathit{y}){\mathit{A}}_{\mathrm{e}\mathrm{x}\mathrm{p}}$

(10)

${\mathit{A}}_{\mathrm{e}\mathrm{x}\mathrm{p}}=2({\mathit{r}}_{\mathrm{p}}+{\mathit{R}}_{\mathrm{d}\mathrm{r}\mathrm{o}\mathrm{n}\mathrm{e}})\frac{{\mathit{h}}_{\mathrm{p}}}{\mathrm{t}\mathrm{a}\mathrm{n}\mathit{\theta }}+\mathit{\pi }({\mathit{r}}_{\mathrm{p}}+{\mathit{R}}_{\mathrm{d}\mathrm{r}\mathrm{o}\mathrm{n}\mathrm{e}}{)}^{2}$

式中:R_drone为无人机尺寸所占外接球最大半径;r_p为被撞击人员的平均身体宽度;h_p为被撞击人员的平均身体高度;θ为无人机的坠落角度;ρ(x,y)为人口密度;A_exp为无人机撞击地面所影响的区域面积。

1.2.3 无人机撞击人员概率

无人机在撞击人员后造成伤亡事件的概率与地面障碍物、植被等形成的遮蔽效果和无人机撞击地面时的动能密切相关。无人机伤亡事件概率可表示为

(11)

${\mathit{P}}_{\mathrm{f}\mathrm{a}\mathrm{t}\mathrm{a}\mathrm{l}\mathrm{i}\mathrm{t}\mathrm{y}}(\mathit{x},\mathit{y})=\frac{1}{1+\sqrt{\frac{\mathit{\omega }}{\mathit{\varphi }}}{\left[\frac{\mathit{\varphi }}{{\mathit{E}}_{\mathrm{d}\mathrm{r}\mathrm{o}\mathrm{n}\mathrm{e}}(\mathit{x},\mathit{y})}\right]}^{\frac{1}{4{\mathit{F}}_{\mathrm{s}\mathrm{h}\mathrm{e}\mathrm{l}\mathrm{t}\mathrm{e}\mathrm{r}}(\mathit{x},\mathit{y})}}}$

(12)

${\mathit{E}}_{\mathrm{d}\mathrm{r}\mathrm{o}\mathrm{n}\mathrm{e}}(\mathit{x},\mathit{y})=1/2\mathit{m}\mathit{V}{(\mathit{x},\mathit{y})}^{2}$

式中:P_fatality(x,y)为伤亡事件概率;ω和

$\mathit{\varphi }$

为两个常数,其中ω是当遮蔽系数为0.5时伤亡概率达到50%时的碰撞能量阈值,

$\mathit{\varphi }$

为当遮蔽系数接近于0时发生伤亡事件所需要的碰撞能量阈值;E_drone(x,y)为无人机碰撞动能;其中m为无人机质量;V(x,y)为无人机在对应位置的速度;F_shelter(x,y)为对应位置的遮蔽系数。

2 多属性栅格特征地图构建

多属性特征栅格地图总共包含3个子层:安全风险层、噪声敏感层和隐私敏感层。每个栅格单元中都包含对应的多属性栅格特征综合评价值。其中,安全风险层需首先根据风险评估模型并融合人口密度层和遮蔽层数据形成安全风险子层,然后将其与禁飞区层、障碍物层相关数据耦合形成安全风险层,安全风险层与噪声和隐私敏感层多层数据融合得到最终的多属性栅格特征地图。选取江苏省南京市江宁区部分区域作为实验区域进行后续的地图构建和航迹规划。

2.1 安全风险层构建

2.1.1 人口密度层

人口密度层包含多属性栅格特征地图区域范围的人口密度分布,其作为重要评估指标之一直接影响安全风险子层评估误差大小。根据LandScan人口密度数据,使用ArcGIS pro软件对实验区域进行分区分块处理获得较为精确的人口密度分布情况。由于人口密度各分块间差别较大,最终经过分段归一化后形成人口密度分布情况如图2所示。

2.1.2 遮蔽层

遮蔽层主要包含地面植被、树木、建筑物等对地面人员提供的保护水平,遮蔽系数用来量化每个地理位置的遮蔽等级,遮蔽层表示为与多属性栅格特征地图维度相同的矩阵S,其中S(x,y)表示对应地理位置栅格元素的遮蔽系数。图3所示为实验区域遮蔽层示意,遮蔽系数定义为[0,1]的实数,其中系数0表示区域几乎完全没有遮蔽物遮挡;系数0.25表示有稀疏树木或低矮植被遮蔽;系数0.5表示有树丛或低矮建筑物遮蔽;系数0.75表示有中高建筑物遮蔽;系数1表示高大或工业建筑。

2.1.3 障碍物层

障碍物层主要用于表示地面障碍物的高度,地面障碍物的高度、密集程度和分布形式将无人机运行安全带来影响。障碍物层表示为与多属性栅格特征地图维度相同的矩阵Z,其中Z(x,y)表示对应地理位置栅格元素的障碍物最大高度。根据OpenStreetMap开源数据对实验区域城市三维模型进行提取,并基于该数据在ArcGIS pro软件中进行处理,得到障碍物层如图4所示。

2.2 噪声敏感层评估模型

无人机在低空运行时会产生噪声对地面人员的身心健康和日常学习工作造成影响。地面上不同区域对于噪声敏感程度不同,无人机运行时产生的噪声对其带来的影响各异。根据《声环境质量标准》(GB 3096—2008)中对声环境的相关定义中强调了建筑功能区种类、时段对噪声敏感度的影响。同时,考虑到噪声最直接的作用对象是建筑物中的居民,居民在建筑物中的平均人口密度也有一定的影响。因此,在综合考虑《声环境质量标准》(GB 3096—2008)、《声环境功能区划分技术规范》(GB/T 15190—2014)和实际城市环境后,构建噪声敏感层评估模型如式(13)所示,取每个栅格单元中面积占比最大的建筑物作为栅格噪声敏感系数计算依据。

(13)

$\mathit{N}={\mathit{\omega }}_{1}{\mathit{S}}_{\mathrm{U}}+{\mathit{\omega }}_{2}{\mathit{S}}_{\mathrm{T}}+{\mathit{\omega }}_{3}{\mathit{S}}_{\mathrm{P}}$

(14)

${\mathit{S}}_{\mathrm{U}}={\mathit{V}}_{\mathrm{U}}/4$

(15)

${\mathit{S}}_{\mathrm{T}}={\mathit{H}}_{\mathrm{T}}/24$

(16)

${\mathit{S}}_{\mathrm{P}}=\frac{\mathit{D}-{\mathit{D}}_{\mathrm{m}\mathrm{i}\mathrm{n}}}{{\mathit{D}}_{\mathrm{m}\mathrm{a}\mathrm{x}}-{\mathit{D}}_{\mathrm{m}\mathrm{i}\mathrm{n}}}$

(17)

$\mathit{D}=\mathit{P}/{\mathit{M}}_{\mathrm{b}\mathrm{u}\mathrm{i}\mathrm{l}\mathrm{d}\mathrm{i}\mathrm{n}\mathrm{g}}$

式中:N为噪声敏感层用矩阵;ω₁、ω₂、ω₃分别为3种敏感参数的权重,根据重要性取值分别为0.5、0.3、0.2;N(x,y)为对应地理位置栅格元素的噪声敏感值;S_U为功能敏感度;S_T为时段敏感度;S_P为使用密度敏感度;V_U为噪声敏感系数;H_T为敏感时段长度;D为人员使用建筑物密度;P为栅格单元人口密度;M_building为栅格单元中面积占比最大的建筑物的面积。

噪声敏感系数由综合考虑《声环境功能区划分技术规范》(GB/T 15190—2014)中的噪声因素部分、《声环境质量标准》(GB 3096—2008)中对声环境功能区的划分和OpenStreetMap开源数据提取出研究区域的核心信息点(Point of Information,POI)所确定,如表2所示;计算得出的噪声敏感层如图5所示。

2.3 隐私敏感层评估模型

无人机在低空运行时所携带的摄像头等机载设备在运行过程中可能会导致隐私的泄露。根据《声环境功能区划分技术规范》(GB/T 15190—2014)中所涉及的隐私因素部分,区域的隐私敏感形成主要与区域功能属性相关。地面上不同区域对于隐私敏感程度不同,无人机运行时对地面所带来的隐私负面影响各异。结合现实城市环境中不同区域类型对于隐私的敏感情况可对其进行等级划分并定义隐私敏感系数,如表3所示。隐私敏感层用矩阵Y表示,其中Y(x,y)表示对应地理位置栅格元素的隐私敏感系数。每个栅格单元的隐私敏感系数由其中各区域隐私敏感系数的最大值作为最终值,得出的隐私敏感层如图5所示。

2.4 多图层融合过程

首先根据式(7)的计算方法结合人口密度层、障碍物层以及遮蔽层相关输入数据求得各栅格元素的风险值,并使用式(15)所示方法进一步确定最终的风险值结果并形成安全风险层。若无人机因为禁飞区限制或飞行高度小于对应位置的障碍物高度,则该处的风险值为0,否则对应地理位置由式(7)的计算结果作为风险值,安全风险层如图6所示。

(18)R(x,y)=$\left\{\begin{array}{ll}0,& \mathit{Z}(\mathit{x},\mathit{y})>\mathit{h}\mathrm{或}\mathrm{非}\mathrm{禁}\mathrm{飞}\mathrm{区}\\ \mathit{R}(\mathit{x},\mathit{y}),& \mathit{Z}(\mathit{x},\mathit{y})\le \mathit{h}\mathrm{或}\mathrm{非}\mathrm{禁}\mathrm{飞}\mathrm{区}\end{array}\right.$

然后,融合噪声敏感层和隐私敏感层输入数据与安全风险层的风险值,将3类数据进行正向归一化后,通过式(6)计算方法进行组合赋权后,得出每一个栅格元素的栅格特征综合评价值,最终的多属性栅格特征地图如图7所示。结合图3和图4实验所选区域的真实环境情况,对比安全风险层和多属性栅格特征地图的环境匹配效果可知:多属性栅格特征地图能够明显看出左侧中间部分和右侧中间部分为栅格性能较低的区域,而安全风险层仅有左中侧小部分区域和右上区域有较为明显的高安全风险区域。实际区域环境中地图所处的左中侧、右上偏中和右下偏中三块位置区域均为高层居民住宅。由此,多属性栅格特征地图能够更好地综合反映真实环境对于无人机运行的性能影响,与真实环境的匹配度更佳。

3 基于多属性栅格特征的航迹规划

在实际低空运行场景下,无人机三维合理航迹不仅应得到最优路径,还能在综合考虑多属性栅格特征评价结果的基础上,实现无人机的综合效率运行,以实现运行风险、噪声和隐私影响都相对较小。

3.1 环境描述

给定由若干个三维栅格集合X表示的离散空间,将每个栅格表示为X(x_i,y_i,z_i),初始出发点d₀为(x₀,y₀,z₀),目标点d_G为(x_g,y_g,z_g),路径规划目标是寻找从d₀到d_G的合理路径。根据城市环境特点并结合无人机实际运行情况,使用MATLAB软件将实验区域1.3 km×1.3 km×70 m的真实城市环境底座表征得到45×45×70的三维栅格环境。每个栅格的大小为1,空间总共被划分为45×45×70个立体栅格如图8所示,图中所示的若干长方体表示提取出的具有代表性的城市建筑物。

3.2 约束条件

为满足无人机实际性能参数和飞行的合理性与规范性。在航迹规划时需主要考虑最大航程、最大转弯角、最大俯仰角和飞行高度约束。

(1)最大航程约束。无人机的总运行距离必须小于无人机性能参数所规定的最大航程L_max,即

(19)

$\stackrel{\mathit{n}}{\sum _{\mathit{n}=1}}{\mathit{L}}_{\mathit{i}}\le {\mathit{L}}_{\mathrm{m}\mathrm{a}\mathrm{x}}$

(2)最大转弯角约束。无人机在运行过程中由于其自身性能参数影响,必须小于所规定的最大转弯角约束c_max,即

(20)

${\mathit{c}}_{\mathit{i}}=\mathrm{a}\mathrm{r}\mathrm{c}\mathrm{c}\mathrm{o}\mathrm{s}\mathit{F}\le {\mathit{c}}_{\mathrm{m}\mathrm{a}\mathrm{x}}$

式(20)中:

(21)F=$\frac{({\mathit{x}}_{\mathit{i}+1}-{\mathit{x}}_{\mathit{i}})({\mathit{x}}_{\mathit{i}}-{\mathit{x}}_{\mathit{i}-1})+({\mathit{y}}_{\mathit{i}+1}-{\mathit{y}}_{\mathit{i}})({\mathit{y}}_{\mathit{i}}-{\mathit{y}}_{\mathit{i}-1})}{\sqrt{({\mathit{x}}_{\mathit{i}+1}-{\mathit{x}}_{\mathit{i}}{)}^{2}+({\mathit{y}}_{\mathit{i}+1}-{\mathit{y}}_{\mathit{i}}{)}^{2}}\sqrt{({\mathit{x}}_{\mathit{i}}-{\mathit{x}}_{\mathit{i}-1}{)}^{2}+({\mathit{y}}_{\mathit{i}}-{\mathit{y}}_{\mathit{i}-1}{)}^{2}}}$

(3)最大俯仰角约束。无人机在运行过程中由于其自身性能参数影响,必须小于所规定的最大俯仰角约束v_max,即

(22)

${\mathit{v}}_{\mathit{i}}=\mathrm{a}\mathrm{r}\mathrm{c}\mathrm{t}\mathrm{a}\mathrm{n}\frac{\left|{\mathit{z}}_{\mathit{i}+1}-{\mathit{z}}_{\mathit{i}}\right|}{\sqrt{({\mathit{x}}_{\mathit{i}+1}-{\mathit{x}}_{\mathit{i}}{)}^{2}+({\mathit{y}}_{\mathit{i}+1}-{\mathit{y}}_{\mathit{i}}{)}^{2}}}\le {\mathit{v}}_{\mathrm{m}\mathrm{a}\mathrm{x}}$

(4)飞行高度约束。由于空域政策、相关无人机飞行要求和自身性能,无人机运行高度需保证在最小飞行高度h_min和最大飞行高度h_max限制中,即

(23)

${\mathit{h}}_{\mathrm{m}\mathrm{i}\mathrm{n}}\le {\mathit{h}}_{\mathrm{f}\mathrm{l}\mathrm{y}}\le {\mathit{h}}_{\mathrm{m}\mathrm{a}\mathrm{x}}$

**3.3 改进双向A*算法**

**3.3.1 传统A*算法**

A*算法是一种基于图进行路径搜索的启发式算法,其能很好地结合栅格相关属性实现路径规划。同时,A*算法在规划效率上结合Dijkstra算法、广度优先搜索算法等算法优势,使用启发式函数值迭代搜索直至找到目标点,适用于针对静态避障的无人机航迹规划问题。A*算法启发式函数表达式为

(24)

$\mathit{f}\left(\mathit{n}\right)=\mathit{g}\left(\mathit{n}\right)+\mathit{h}\left(\mathit{n}\right)$

式(24)中:f(n)为总代价,表示路径中从起始节点到节点n的代价之和;g(n)为起始节点到节点n的实际代价;h(n)为节点n到目标点的预估代价。

然而,无人机在城市环境中进行航迹规划时还需综合考虑多属性栅格特征,同时面对大量复杂障碍物还需提高传统A*算法的搜索倾向性和效率,并解决规划航迹出现的路径转弯点较多的问题。

3.3.2 双向搜索方法步骤

传统A*算法采用从起始点到目标点迭代搜索的方式,搜索速度较慢,使用双向搜索方法沿平面直线、平面对角线或体对角线进行航迹搜索可以较好地提升搜索效率。首先分别从出发点和目标点两个方向沿着平面直线各方向寻找可行路径;当平面直线各方向没有可用路径点,即遇到静态障碍物或启发式函数值相比对角方向整体较大时,算法将扩展到平面对角线方向进行搜索;当同一平面内所有方向均未寻到可用路径点时,算法将沿着体对角线方向逐步搜索,双向搜索具体步骤如下。

步骤1 初始化三维栅格环境、Openlist和Closelist,设置无人机出发点和目标点,并将出发点添加到正向Openlist中,目标点添加到反向Openlist中分别作为正向和反向的初始父节点。

步骤2 正向搜索:从正向Openlist中选取启发式函数值最小的候选路径点d_n作为新的父节点,将其从正向Openlist中移除,并添加到正向Closelist中;反向搜索:从反向Openlist中选取启发式函数值最小的候选路径点d'_n作为新的父节点,将其从反向Openlist中移除,并添加到反向Closelist中。

步骤3 正向搜索:根据邻近搜索策略,从新的父节点d_n中搜索新的候选节点,并将新的节点添加至正向Openlist中,回到步骤2;反向搜索:根据邻近搜索策略,从新的父节点d'_n中搜索新的候选节点,并将新的节点添加至反向Openlist中,回到步骤2。

步骤4 检查正向Closelist和反向Closelist中的节点是否存在交集。若存在交集点,则停止搜索,通过交点回溯生成完整路径,路径规划完成。若无交集,返回步骤2和步骤3,继续搜索。

步骤5 若正向或反向Openlist为空但未找到交集,则路径规划失败,结束搜索。

3.3.3 启发式函数改进

启发式函数作为评估候选航迹点的核心部分,在辅助迭代搜索航迹中起到关键作用。传统A*算法的启发式函数仅以当前所有候选路径点的整体成本最小作为最终的最优路径,无法体现对无人机运行产生影响的多属性栅格特征。

因此,改进启发式函数综合考虑栅格特征和无人机本身性能限制对无人机航迹规划带来的影响,算法能够针对不同需求进行航迹规划,并根据不同低空运行场景提供差异化航迹建议。首先相较于传统A*算法启发式函数一般仅采用欧式距离来计算各代价,改进启发式函数采用欧式距离表示实际代价,采用更适用于多维度搜索^[20]的切比雪夫距离表示启发式估计。此外,为增强航迹对于多属性栅格特征值的适应性和搜索倾向,引入了新的多属性栅格特征代价因子作为启发式函数的一部分。同时,为保证改进双向A*算法正向和反向搜索的一致性,启发式函数在正向和反向搜索中相同,改进的启发式函数定义为

(25)

$\mathrm{m}\mathrm{i}\mathrm{n}\mathit{f}\left({\mathit{d}}_{\mathit{n}}\right)=\mathit{g}\left({\mathit{d}}_{\mathit{n}}\right)+\mathit{\alpha }\mathit{h}\left({\mathit{d}}_{\mathit{n}}\right)+\mathit{\beta }\mathit{K}\left({\mathit{d}}_{\mathit{n}}\right)$

(26)

$\mathrm{g}\left({\mathit{d}}_{\mathit{n}}\right)=\stackrel{\mathit{M}-1}{\sum _{\mathit{i}=1}}\sqrt{({\mathit{x}}_{\mathit{i}+1}-{\mathit{x}}_{\mathit{i}}{)}^{2}+({\mathit{y}}_{\mathit{i}+1}-{\mathit{y}}_{\mathit{i}}{)}^{2}+({\mathit{z}}_{\mathit{i}+1}-{\mathit{z}}_{\mathit{i}}{)}^{2}}$

(27)h(d_n)=max($\left|{\mathit{x}}_{\mathrm{G}}-{\mathit{x}}_{\mathit{n}}\right|$,$\left|{\mathit{y}}_{\mathrm{G}}-{\mathit{y}}_{\mathit{n}}\right|$,$\left|{\mathit{z}}_{\mathrm{G}}-{\mathit{z}}_{\mathit{n}}\right|$)

(28)

$\mathit{K}\left({\mathit{d}}_{\mathit{n}}\right)=\left\{\begin{array}{ll}[-0.3\mathit{h}({\mathit{d}}_{\mathit{n}}\left)\right],& \mathit{P}>\mathrm{A}\mathrm{v}\mathrm{e}\mathrm{r}\mathrm{a}\mathrm{g}\mathrm{e}\\ \left[0.3\mathit{h}\right({\mathit{d}}_{\mathit{n}}\left)\right],& \mathit{P}\le \mathrm{A}\mathrm{v}\mathrm{e}\mathrm{r}\mathrm{a}\mathrm{g}\mathrm{e}\end{array}\right.$

式中:α和β为权重系数,它们的和为1;g(d_n)为实际代价;h(d_n)为启发式估计;(x_G,y_G,z_G)为目标点的位置坐标;(x_n,y_n,z_n)为节点n的位置坐标;P为多属性栅格特征综合评价值;Average为实验区域中多属性栅格特征综合评价值的总平均值。

3.3.4 航迹平滑与优化

传统A*算法搜索后形成的航迹会出现转弯点或拐点较多的情况,同时部分转弯点角度变化较大不符合无人机正常运行状态,需对航迹整体进行平滑处理。采用三阶贝塞尔曲线平滑优化改进算法产生的转弯点,形成的曲线上各点的参数方程如式(29)所示。三阶贝塞尔曲线由一阶贝塞尔曲线公式演变而来,曲线上的点由控制点进行约束,一个转弯点将由4个控制点进行控制处理,可有效降低算法产生的航迹转弯点,增强航迹平滑性。

(29)

$\begin{array}{l}\mathit{B}\left(\mathit{t}\right)={(1-\mathit{t})}^{3}{\mathit{P}}_{0}+3\mathit{t}{(1-\mathit{t})}^{2}{\mathit{P}}_{1}+\\ 3{\mathit{t}}^{2}(1-\mathit{t}){\mathit{P}}_{2}+{\mathit{t}}^{3}{\mathit{P}}_{3}\end{array}$

式(29)中:B(t)为控制点加权平均值;P₀~P₃为4个控制点;t为曲线参数。

4 算例分析

4.1 场景设计及参数设置

选取江苏省南京市江宁区部分区域(约1.3 km×1.3 km)为无人机运行环境,其中包含学校、政府部门、居民住宅区、服务区等具有明显特征的建筑类别,将其按照30 m×30 m×70 m为一个栅格单元构建栅格环境,最终形成45×45×70的三维栅格地图。在三维栅格地图中提取建筑特征并进行无人机航迹规划实证分析。

选取(5,7,12)作为无人机出发点,(38,39,17)作为无人机目标到达点进行飞行任务,采用较为经典的DJI Mavic 3 Pro无人机进行仿真飞行,具体参数设置如表4所示,DJI Mavic 3 Pro实体照片和飞行照片如图9所示。

4.2 算法对比实验

4.2.1 双向搜索效果分析

通过相关仿真环境测试原始双向A*算法比原始A*算法在无人机三维航迹规划的搜索优势。将式(25)中的启发式函数中的权重系数α和β分别定为0.7和0.3,在三维仿真运行环境中分别使用原始双向A*算法和原始单向A*算法对飞行任务进行航迹规划。航迹规划的航迹总距离、算法运行时间和转弯点数量对比结果如表5所示。

4.2.2 平滑效果分析

针对原始算法的转弯点数量和航迹平滑性问题,采用三阶贝塞尔曲线对两类原始算法初始规划航迹进行平滑处理,算法平滑处理后的结果分别如图10所示。航迹规划平滑处理前后的航迹总距离、算法运行时间和转弯点数量的对比结果如表6所示。

从对比结果可知,双向A*算法的航迹规划时间远小于原始A*算法,在航迹距离上具有一定的减少,两种方法最终的航迹转弯点数量相近,双向A*算法整体搜索性能明显优于传统单向A*算法。

同时,通过分析航迹平滑前后结果可知,三阶贝塞尔曲线能够对A*算法的航迹规划结果进行较好的平滑,转弯点数量在两类算法中分别减少了100%和88.2%,效果显著。虽然平滑后的航迹总距离和算法运行时间具有些微增加,但是其为在可接受水平范围内的波动情况,小范围的性能波动为规划后的航迹减少了大量转弯点,使航迹更符合无人机的实际运行状态和航迹运行安全,验证了三阶贝塞尔曲线的算法有效性。

总体来看,使用双向搜索方法进行航迹规划能节省较多的规划时间,在使用三阶贝塞尔曲线后可以有效解决两类A*算法规划航迹转弯点或拐点较多的问题。因此,使用双向搜索方法进行算法改进并使用三阶贝塞尔曲线进行航迹平滑,更适合与多属性栅格特征融合进行无人机航迹规划,有助于提高航迹规划效率和性能。

4.2.3 多属性栅格特征融合效果分析

1)航迹参数对比

使用融合多属性栅格特征的改进启发式函数的双向A*算法对飞行任务进行航迹规划并使用三阶贝塞尔曲线进行航迹平滑,与使用未融合多属性栅格特征的原始启发式函数的双向A*算法进行对比,融合多属性栅格特征后的相关结果如图11所示。航迹总距离、算法运行时间、转弯点数量等对比结果如表7所示。

通过对比情况可知,融合多属性栅格特征后对航迹规划结果产生了一定影响,多属性栅格特征将会改变算法的搜索倾向和规划,算法在融合多属性栅格特征后会增加一定的航迹总距离和算法运行时间来保证无人机运行过程中综合性能较优。

2)航迹综合性能效果对比

对比融合前后航迹所经过区域的栅格特征综合评价值情况分布结果可知,如表8和图12所示,融合多属性栅格特征后,无人机在搜索航迹的过程中对综合评价值较低的区域有规避的倾向性。融合后的综合平均值高于平均值的节点相较于未融合从16个增加到25个,增长率达56.3%,此外,融合后的算法在平均性能上相较未融合更为突出,以所有航迹点经过的栅格综合评价值的平均值作为平均性能评估指标,融合多属性栅格特征后的平均性能以未融合平均性能作为参照提高了43.5%。

与未融合多属性栅格特征相比,融合后的航迹总距离仅增加了4%,算法运行时间约增加了4.6倍。根据算法运行结果和算法搜索逻辑分析,融合多属性栅格特征后需要对每一个三维栅格的多属性栅格特征综合评价值进行额外考虑,这会直接增加算法运行时间,但实际增加的算法运行时间仍在可接受范围之内。由于改进后的启发式函数中加入了新的特征代价因子,在搜索过程中会倾向于规避综合评价值较低的区域,从而会使航迹总距离有小幅增加。融合多属性栅格特征后的算法综合考虑了栅格本身特征,能够有效地降低无人机运行过程中可能造成的对地风险、噪声和隐私影响,且增加的航迹总距离相对较少几乎不会对无人机运行造成额外的里程问题。

4.3 灵敏度分析

4.3.1 启发式函数权重选取

为选取合适的改进后启发式函数中的权重系数α和β,对不同权重系数的取值进行多次试验。对α进行不同的取值,分别从航迹总距离、算法运行时间、原始路径转弯点数量和航迹平均性能四个维度进行对比分析,结果如图13所示。根据试验结果,除算法运行时间随着α增大而减小外,当α较小时,航迹总距离、原始路径转弯点数量和航迹平均性能不随α的变化而改变;随着α逐渐增大,航迹总距离、原始路径转弯点数量和航迹平均性能并未出现规律性变化,但当α介于0.4~0.7时航迹平均性能显著较好。

综合对比几个维度的规划结果,同时考虑到航迹将进行路径平滑,原始路径转弯点影响不大,选取α为0.7或0.6作为权重系数较为适合,尽管各种指标结果随权重系数不断变化,但在这两种权重系数下航迹规划整体效果较好。此外,考虑到算法运行时间,α=0.7时算法运行效率更快。为方便研究,实验统一选取α=0.7和β=0.3作为最终的权重系数。

4.3.2 差异化航迹建议

为验证不同运行需求、运行任务下改进算法为航迹提供差异化建议的能力,实验设置了相同出发点和目标到达点,不同运行需求的3类运行任务:任务1为紧急医疗服务,需重点关注医疗物资的安全送达情况,运行安全将作为航迹规划的主要目标;任务2为低空巡检任务,需重点关注巡检中对居民尽可能造成较小的噪声影响和隐私侵犯,运行中降低噪声和隐私的影响将作为航迹规划的主要目标;任务3为物流配送任务,没有需要重点关注的运行目标,航迹综合性能均衡即可。3种任务的航迹具体对比指标结果如表9所示,3种任务生成的多属性栅格特征地图、路径高度变化如图14所示。

由结果可得,3种任务分别形成了3个不同的多属性栅格特征地图,其中任务1与任务2和任务3的路径-高度变化存在明显差异,这表明当运行着重考虑运行安全时,改进算法在搜索路径的过程中会考虑高度的阶梯式上升,进而最大限度地规避高风险区域;任务2和任务3并没有对运行安全着重要求,航迹搜索时通过高度随距离不断升高的方式在短时间内达到安全高度,从而在平均性能上达到较好效果。当航迹搜索以安全性作为主要考虑目标时,算法在搜索过程中的运行时间和航迹总距离都较长而转弯点数量和平均风险较小;当航迹搜索以降低噪声和隐私影响作为主要目标时,一定程度增大了运行风险和转弯点数量,但航迹总距离得到降低;均衡的航迹需求整体上在算法运行时间、航迹距离和运行风险上具有较好的性能。

5 结论

针对无人机航迹规划问题,考虑了无人机运行所处栅格环境的安全风险、噪声敏感和隐私敏感的多属性栅格特征,提出结合多属性栅格特征地图的改进三维双向A*算法并进行了实验验证。

(1)构建了由安全风险层、噪声敏感层和隐私敏感层构成的多属性栅格特征地图。区别于现有研究仅将栅格作为基础飞行环境,不将栅格地图作为航迹规划关注要素,多属性栅格特征地图从更综合、更贴近实际运行需求的角度形成了栅格地图,并将栅格特征作为航迹规划的寻路依据。同时,在与真实环境匹配度上,多属性栅格特征地图所生成的综合评价结果比传统风险地图能够更好地反映地面环境情况,航迹规划可以结合更真实的环境影响搜索航迹。

(2)建立了融合多属性栅格特征地图的航迹规划方法,以可接受的航迹距离和算法运行时间增加为代价,有效寻找综合性能更佳的无人机航迹。通过实验发现,使用双向搜索方法搜索航迹,与传统算法相比,算法运行时间缩短了55%,航迹总距离缩短了4%,搜索效率增长明显;使用三阶贝塞尔曲线进行航迹平滑可使算法航迹转弯点减少90.4%,平滑效果显著;融合多属性栅格特征地图的无人机航迹规划相较于传统双向A*算法,综合性能较高的航迹节点增加了56.3%,平均性能提升43.5%,航迹整体在降低安全风险、噪声和隐私的综合影响上明显提升,有效提高了航迹综合性能。

(3)改进算法可以根据航迹目标生成匹配的多属性栅格特征地图给出差异化航迹建议,实验结果得出不同任务的航迹状态、算法运行情况和无人机运行模式上均存在差异,使用改进算法能够较好地完成不同种类的飞行任务,同时为无人机运行程序的研究补充了相关理论实验。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Zhu Y J, Zhang X J, Li Y, et al. Grid matrix-based ground risk map generation for unmanned aerial vehicles in urban environments[J]. Drones, 2024, 8: 678-681.

[2]	Zhou S, Liu Y, Zhang X, et al. Risk assessment and distribution estimation for UAV operations with accurate ground feature extraction based on a multi-layer method in urban areas[J]. Drones, 2024, 8(8): 399.

[3]	陈艺君, 余莎莎, 张学军. 城市低空场景下无人机运行对地风险量化评估[J]. 北京航空航天大学学报, 2025, 51(3): 806-815.

[4]	Chen Yijun, Yu Shasha, Zhang Xuejun. Ground risk quantitative assessment for UAV operations in urban low-altitude scenarios[J]. Journal of Beijing University of Aeronautics and Astronautics, 2025, 51(3): 806-815.

[5]	王俊潼, 包丹文, 周佳怡, 等. 低空空域规划研究现状与展望[J]. 航空学报, 2025, 46(11):82-107.

[6]	Wang Juntong, Bao Danwen, Zhou Jiayi, et al. Low-altitude airspace planning studies: a review and prospect[J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(11): 82-107.

[7]	曹红艳, 周宝, 李希彬, 等. 基于A星算法的分层多粒度无人机三维路径规划算法[J]. 湘潭大学学报(自然科学版), 2025, 47(3): 65-76.

[8]	Cao Hongyan, Zhou Bao, Li Xibin, et al. Hierarchical and multi-granularity three-dimensional path planning for unmanned aerial vehicle based on A-star algorithm[J]. Journal of Xiangtan University (Natural Science Edition), 2025, 47(3): 65-76.

[9]	Zhang W J, Li J, Yu W L, et al. Algorithm for UAV path planning in high obstacle density environments: RFA-star[J]. Frontiers in Plant Science, 2024, 15:1391628.

[10]	闫少华, 石星雨, 张兆宁. 基于改进A*算法的城市物流无人机三维路径规划[J]. 科学技术与工程, 2024, 24(29): 12781-12788.

[11]	Yan Shaohua, Shi Xingyu, Zhang Zhaoning. Three-dimensional path planning of urban logistics UAVs[J]. Science Technology and Engineering, 2024, 24(29): 12781-12788.

[12]	Li Y C, Dong X Z, Ding Q Q, et al. Improved A-star algorithm for power line inspection UAV path planning[J]. Energies, 2024, 17(21): 5364.

[13]	Hamid H, Begh G R. Clustering based strategic 3D deployment and trajectory optimization of UAVs with A-star algorithm for enhanced disaster response[J]. Physical Communication, 2024, 67: 102536.

[14]	曾宪阳, 张加旺. 改进A算法融合DWA机器人路径规划研究[J]. 电子测量技术, 2025, 48(6): 20-27.

[15]	Zeng Xianyang, Zang Jiawang. Path planning for robotswith improved A* algorithm and fused DWA[J]. Electronic Measurement Technology, 2025, 48(6): 20-27.

[16]	Luo Y, Lu J K, Zhang Y, et al. 3D JPS path optimization algorithm and dynamic-obstacle avoidance design based on near-ground search drone[J]. Applied Sciences, 2022, 12(14): 7333.

[17]	Ariza-Sentís M, Vélez S, Baja H, et al. An aerial frameworkfor multi-view grape bunch detection and route Optimization using ACO[J]. Computers and Electronics in Agriculture, 2024, 221: 108972.

[18]	Wang B F, Zhao Z Y, Hu B Y, et al. An ACO-based path planning algorithm for UAV in urban airspace[R]. Warrendale, PA: SAE International, 2024. DOI:10.4271/2024-01-7024.

[19]	Tang J, Liang Y, Li K. Dynamic scene path planning of UAVs based on deep reinforcement learning[J]. Drones, 2024, 8(2).DOI:10.3390/drones8020060.

[20]	Zhao X R, Yang R N, Zhong L S, et al. Multi-UAV path planningand following based on multi-agent reinforcement learning[J]. Drones, 2024, 8(1). DOI:10.3390/drones8010018.

[21]	Xi M, Dai H, He J Y, et al. A lightweight reinforcement-learning-based real-time path-planning method for unmanned aerial vehicles[J]. IEEE Internet of Things Journal, 2024, 11(12): 21061-21071.

[22]	Zhang N, Zhang M, Low K H. 3D path planning and real-time collision resolution of multirotor drone operations in complex urban low-altitude airspace[J]. Transportation Research Part C: Emerging Technologies, 2021, 129: 103123.

[23]	谢华, 韩斯特, 尹嘉男, 等. 复杂城市低空无人机安全风险评估与三维路径规划[J]. 安全与环境学报, 2024, 24(7): 2490-2507.

[24]	Xie Hua, Han Site, Yin Jianan, et al. Three-dimensional path planning for urban low-altitude UAVs based on safety risk map[J]. Journal of Safety and Environment, 2024, 24(7): 2490-2507.

[25]	曲欣宇, 叶博嘉, 王华中, 等. 基于风险地图的城市物流无人机路径规划研究[J]. 航空计算技术, 2024, 54(1):87-91.

[26]	Qu Xinyu, Ye Bojia, Wang Huazhong, et al. Research on global path planning method for urban logistics UAV based on risk maps[J]. Aeronautical Computing Technique, 2024, 54(1):87-91.

[27]	宋睿, 朱培, 张剑高, 等. 面向高原森林火灾的灭火无人机路径规划[J]. 科学技术与工程, 2024, 24(34): 14863-14870.

[28]	Song Rui, Zhu Pei, Zhang Jiangao, et al. Path planning of fire fighting UAV for plateau forest fires[J]. Science Technology and Engineering, 2024, 24(34): 14863-14870.

基金资助

国家自然科学基金(U2433204)

南京航空航天大学创新计划(xcxjh20240716)

PDF (21998KB)

访问

被引

详细

导航

Received	Published	Revised
2025-07-07	2026-06-28	2026-01-09
Online Date
2026-07-29

摘要

Abstract

Graphical abstract

关键词

Key words

中图分类号

引用本文

1 多属性栅格特征评价模型

1.1 基于组合赋权的多属性栅格特征综合评价模型

1.1.1 主观权重

1.1.2 客观权重

1.1.3 组合权重计算

1.2 风险评估模型

1.2.1 无人机下降事故概率

1.2.2 无人机撞击人员概率

1.2.3 无人机撞击人员概率

2 多属性栅格特征地图构建

2.1 安全风险层构建

2.1.1 人口密度层

2.1.2 遮蔽层

2.1.3 障碍物层

2.2 噪声敏感层评估模型

2.3 隐私敏感层评估模型

2.4 多图层融合过程

3 基于多属性栅格特征的航迹规划

3.1 环境描述

3.2 约束条件

3.3 改进双向A*算法

3.3.1 传统A*算法

3.3.2 双向搜索方法步骤

3.3.3 启发式函数改进

3.3.4 航迹平滑与优化

4 算例分析

4.1 场景设计及参数设置

4.2 算法对比实验

4.2.1 双向搜索效果分析

4.2.2 平滑效果分析

4.2.3 多属性栅格特征融合效果分析

4.3 灵敏度分析

4.3.1 启发式函数权重选取

4.3.2 差异化航迹建议

5 结论

参考文献

基金资助

**3.3 改进双向A*算法**

**3.3.1 传统A*算法**