基于改进RRT*算法的平流层飞艇动态路径规划

刘旻宇; 邓小龙; 戚乐乐; 范袁侨; 麻震宇

doi:10.12404/j.issn.1671-1815.2505302

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (12) :5300-5307 DOI: 10.12404/j.issn.1671-1815.2505302

航空、航天

基于改进RRT*算法的平流层飞艇动态路径规划

作者信息 +

Dynamic Path Planning for Stratospheric Airships Based on Improved RRT* Algorithm

Author information +

文章历史 +

摘要

针对平流层飞艇远距离转场路径规划问题,需综合考虑复杂风场、平台弱动力特性以及飞行任务的可行性约束,提出一种基于时间最优的改进RRT*(rapidly-exploring random tree star)算法(time-optimal improved RRT* algorithm, T-RRT*)的路径规划方法。首先,对平流层环境以及平流层飞艇运动学进行建模。其次,考虑动态风场的影响,通过欧氏距离、速度矢量叠加思想来设计T-RRT*算法的时间代价函数,用于应对复杂风场和飞艇动力学约束。最后,基于冷云数据和风场数据等环境数据,开展了多种场景下的路径规划仿真分析。结果表明:相较于传统快速探索随机树(rapidly-exploring random tree,RRT)算法和基于路径长度最优的RRT*算法(length-optimal RRT* algorithm, L-RRT*)路径规划,T-RRT*算法在真实动态风场环境中规划出的路径平均耗时分别可缩短28.7%和8.7%,有利于转场路径的能耗优化和任务适应性提升,为平流层飞艇的路径规划提供了新的技术思路。

Abstract

Aiming at the path planning challenge for long-distance transfers of stratospheric airships, a time-optimal path planning method based on an improved rapidly-exploring random tree star (RRT*) algorithm (T-RRT*) was proposed, it is necessary to comprehensively consider complex wind fields, the weak dynamic characteristics of the platform, and the feasibility constraints of flight missions. Firstly, the stratospheric environment as well as the kinematics of stratospheric airships were modeled, and a two-dimensional obstacle environment model was established by combining the constraints of stratospheric airships. Secondly, the influence of dynamic wind field was considered, and the time cost function of T-RRT* algorithm was designed through the idea of superposition of Euclidean distance and velocity vectors, which was used to cope with the complex wind field and the dynamic constraints of the airships. Finally, path planning simulation analyses were conducted across multiple scenarios using environmental data such as cold cloud and wind field data. Results show that compared with the traditional rapidly-exploring random tree (RRT) and the RRT* Algorithm based on path Length optimization(length-optimal RRT* algorithm, L-RRT*) path planning, the average time consumed by the paths planned by the T-RRT* algorithm in the real dynamic wind field environment can be shortened by 28.7% and 8.7%, respectively, which is conducive to the optimization of the energy consumption of the transfer paths and the enhancement of the mission adaptability, and it provides a new technological idea for the path planning of the stratospheric airships.

Graphical abstract

关键词

平流层飞艇 / 路径规划 / RRT*算法 / 风场建模 / 远距离转场

Key words

stratospheric airships / path planning / RRT* algorithm / wind field modeling / long-distance transfer

引用本文

引用格式 ▾

刘旻宇, 邓小龙, 戚乐乐, 范袁侨, 麻震宇. 基于改进RRT*算法的平流层飞艇动态路径规划[J]. 科学技术与工程, 2026, 26(12): 5300-5307 DOI:10.12404/j.issn.1671-1815.2505302

LIU Min-yu, DENG Xiao-long, QI Le-le, FAN Yuan-qiao, MA Zhen-yu. Dynamic Path Planning for Stratospheric Airships Based on Improved RRT* Algorithm[J]. Science Technology and Engineering, 2026, 26(12): 5300-5307 DOI:10.12404/j.issn.1671-1815.2505302

登录浏览全文

4963

注册一个新账户忘记密码

平流层飞艇作为一种能够长期驻留在临近空间的新型平台,具有长航时、大载重和经济性等显著优势,在高精度遥感、灾害预警、环境监测、通信中继等领域具有重要应用前景^[1]。然而,平流层飞艇起降和保障通常要依赖专用的大型艇库,执行任务前需进行远达数百至上千公里的转场飞行。受到其固有弱机动性限制,飞艇转场极易受复杂风场、冷云等气象条件影响^[2],导致飞行路径的安全性与效率难以保障。因此,远距离可靠路径规划已成为制约平流层飞艇实际工程应用的一个关键瓶颈^[3]。开展相关研究,不仅对提升飞艇转场任务的成功率与适应性具有直接推动作用,也为实现在临近空间持续、稳定执行多样化任务奠定了重要技术基础。

目前,飞行器的路径规划方法主要可分为三类:基于确定性搜索的算法、基于概率采样的算法以及基于智能优化的算法^[4]。基于确定性搜索的算法主要包括A*算法、Dijkstra算法等^[5],这些算法通过智能搜索机制, 能够在三维复杂环境中高效求解最优或近似最优路径,有效应对计算复杂度高、耗时较长等挑战,在提升算法效率的同时保证路径安全性^[6]。闫少华等^[4]提出一种改进A*算法,通过引入动态步长并改进启发式函数,提升了算法的寻优效率与稳定性。Cândido等^[7]设计了基于A*算法的风力轨迹规划器,首次实现了在风力约束下气球沿预定轨迹抵达目标点。巩慧等^[8]基于Dijkstra算法提出一种平滑路径规划方法,显著提高了路径的连续性与可执行性。

概率采样类算法主要包括概率路线图法(probabilistic roadmap, PRM)、快速探索随机树(rapidly-exploring random tree,RRT)等,适用于高维空间和复杂约束下的路径规划问题。Tang等^[9]将约束流形的近似表示与PRM相结合,提出了一种基于流形近似的概率路线图方法,生成了更高质量的路径。Luo等^[10]针对多约束飞艇路径规划问题,提出了具有航迹保持能力的快速探索随机树航迹保持算法(rapidly-exploring random tree-steering and keeping,RRT-SK)。为进一步提升RRT算法的收敛速度与路径质量,在其基础上引入重选父节点和重新布线过程,发展出渐近最优的RRT*(rapidly-exploring random tree star)算法。

智能优化算法主要包括粒子群算法、神经网络^[11]、遗传算法^[12]等。Zhang等^[13]结合风场预测数据,将粒子群算法、布谷鸟搜索算法和自适应技术相结合,设计了一种快速布谷鸟-粒子群路径规划算法 (fast cuckoo-particle swarm path planning,FCPSPP)。Liu等^[14]提出了一种混合水平集粒子群优化(level set-particle swarm optimization,LS-PSO)框架,得到了更高效的最优能量和时间的解决方案。Zheng等^[15]基于深度强化学习,采用双深度递归Q网络建立路径规划模型,提高了路径规划的实用性和可靠性。

然而,在平流层飞艇远距离转场路径规划的研究中,现有方法未能充分考虑风场环境引起的抵抗偏航力以及动态风场的时空变化特性^[16],这一局限性直接影响了规划路径的实际可行性。为此,针对平流层飞艇在复杂环境中远距离转场任务,提出一种基于改进 RRT* 算法的路径规划方法。首先,建立平流层环境模型以及飞艇运动学模型;其次,考虑飞艇动力特性和控制约束,引入动态风场与速度矢量合成法,设计一种基于路径规划时间最优的T-RRT*算法;最后,考虑冷云区对路径规划的影响,完成多种虚拟风场与动态风场下的路径规划仿真验证,并开展了T-RRT*与传统RRT以及基于路径长度最优的(length-optimal RRT*algorithm, L-RRT*)算法的对比分析,验证方法的有效性和鲁棒性以及优化路径的效率与可达性,为平流层飞艇远距离转场和持久驻空多样化任务的路径规划提供了有效方法,具有重要的理论价值和工程应用前景。

1 问题建模

1.1 平流层环境建模

随着海拔上升,地球大气密度呈现明显的梯度变化。平流层作为对流层与中间层之间的过渡区域,其环境特性对浮空器有决定性影响。以平流层飞艇这类依靠气体浮力维持高度的飞行器为例,在飞艇爬升阶段大气密度剧烈衰减,甚至20 km处的大气密度骤降至海平面值的7%,这种剧烈的环境变化给飞艇的动力系统和能源管理带来挑战^[17]。参考《标准大气(美国,1976)》^[18]建立了大气模型,海拔高度为H时,大气密度ρ_ref的计算公式为

(1)ρ_ref=ρ₀exp$\left[-\frac{g}{{R}_{\mathrm{a}\mathrm{i}\mathrm{r}}{T}_{0}}(H-{H}_{0})\right]$

式(1)中:ρ₀和T₀分别为特定高度H₀的空气密度和温度,并且ρ₀=0.364 kg/m³,H₀=11 000 m,T₀=216.66 K;g为重力加速度;R_air=287.041 m²/(s²·K)为空气气体常数。

1.2 飞艇运动学模型建模

平流层飞艇是典型的低动态、大惯量、大尺寸飞行器。在竖直方向上主要通过浮力克服重力来达到浮重平衡,而平流层风场以稳定水平风场为主,驻空阶段可假设不考虑竖直方向上的运动。而飞艇与常规无人机不同,其在水平方向上受风场的作用力较大,故飞艇运动学模型可表示为

(2)

$\left\{\begin{array}{l}\dot{x}={v}_{\mathrm{r}x}={v}_{x}-{v}_{x\mathrm{w}\mathrm{i}\mathrm{n}\mathrm{d}}\\ \dot{y}={v}_{\mathrm{r}y}={v}_{y}-{v}_{y\mathrm{w}\mathrm{i}\mathrm{n}\mathrm{d}}\\ \dot{z}={v}_{\mathrm{r}z}={v}_{z}\end{array}\right.$

式(2)中:v_x_wind与v_y_wind分别为水平方向和竖直方向上的风速;(x,y,z)为飞艇位置;(v_x,v_y,v_z)为飞艇空速;(v_r_x,v_r_y,v_r_z)为飞艇实际对地速度。

**2 RRT*算法**

平流层飞艇路径规划面临平台自身控制能力弱、最大速度限制、热力学约束以及能量约束等挑战,因此飞艇路径规划问题比传统飞行器更加复杂,而RRT*算法具有灵活性、概率完备性等优势,被广泛用于求解路径规划问题。

2.1 传统RRT算法

RRT算法是一种基于采样的路径规划方法,通过在搜索空间随机生成样本点,利用这些随机样本点逐步扩展随机树^[7]。随机树的节点代表样本点,节点之间的边代表样本点之间的连线。RRT算法从起点X_init开始,扩展随机树直至到达目标点X_end或达成其他终止条件。RRT算法伪代码如下。其中,T为随机树,X为路径规划的可行区域,T.init为初始化随机树函数,n为最大迭代次数,RANDOM为在可行区域中生成随机节点的函数,NEAREST函数利用欧氏距离选择离当前节点最近的节点,OBS_NOT_FREE为检测是否与障碍物碰撞的函数,NEW_STATE函数从两点连线方向上扩展固定步长,V为节点集合,E为边集合,dis为欧式距离计算函数。

节点扩展过程如图1所示。首先初始化随机树,在满足最大迭代次数的条件下,进入循环。在可行区域内生成随机节点X_rand。NEAREST函数利用欧式距离选择树节点中离X_rand最近的节点X_near。若X_near与X_rand的连线上存在障碍物,则判断条件终止当前循环,进入新一轮循环。从X_near与X_rand的连线方向上扩展固定步长u,得到新节点X_new。第9、10行将生成的新节点与新边添加至随机树。第11、12行给出算法终止条件。

当新节点与目标位置的距离小于预设步长阈值或已到达X_end时,算法将返回随机扩展树结果。若迭代次数超过设定值,则终止运行。在返回随机树后,系统会依次标记目标点以及回溯得到的父节点,直至标记到X_init。最终,算法在随机树中得到一条由标记节点连接的从X_init到X_end的无障碍可行路径。

**2.2 传统 RRT*算法**

RRT*算法是一种渐进完备的采样算法,其在RRT基础上进行了重新选择父节点和重布线的改进,扩展过程如图2所示。重新选择父节点,即在新生成了节点X_new后,得到以X_new为中心、距X_new一定距离r的邻域内的所有节点,重新计算X_new到起点的路径长度,优先选取最短路径节点作为X_new的父节点,这既能有效优化路径,又能减少随机采样导致的不确定性。重布线操作是以X_new为中心、在半径r范围搜索所有邻近节点,当将这些节点的父节点替换为X_new能够有效缩短路径长度时,则执行父节点更新操作。这种动态优化机制,使得整个随机树的质量得到明显提升,最终实现路径的全局优化。

与RRT算法相比,RRT*算法具有渐进最优性,不仅能够找到一条可行路径,还会在路径搜索过程中不断迭代优化。通过重新选择父节点和重布线操作,检查是否有更优的路径,若存在更优路径,则更新树结构,这种优化过程使得RRT*算法能够随采样次数的增加逐渐收敛到最优路径。

**3 基于时间最优的改进RRT* 算法**

3.1 速度矢量合成

在飞艇航行过程中,风场扰动是影响其轨迹跟踪精度的关键因素。传统的路径规划方法忽略了风场作用,导致实际航迹明显偏离预期路径。为此,采用速度矢量合成法来补偿风场影响,其原理是通过调节飞艇空速矢量的方向,使得飞艇空速与风速的矢量合成结果始终沿预定航向,从而有效减小风场引起的航迹偏差^[19]。

如图3所示,P₀为当前飞艇所在路径点;D_e为规划出的期望路径方向;D_c=[V_x(r),V_y(r)]为风速矢量,并将矢量D_c分解为垂直于D_e的D_c1和与D_e同向的D_c2两个分量;D_n为飞艇的速度矢量;α₁为D_c与D_e之间的夹角;α₂为D_n与D_e之间的夹角。若飞艇依旧向着期望路径方向D_e行驶,D_n和D_c两速度矢量合成后则会使飞艇最终行驶轨迹偏离D_e的方向。其中垂直于D_e的D_c1则是导致行驶偏离行驶轨迹的分量,如式(3)所示。

(3)D_c1=D_c-$\frac{{D}_{\mathrm{e}}{D}_{\mathrm{c}}}{{\left|{D}_{\mathrm{e}}\right|}^{2}}$D_e

假设飞艇行驶速度即D_n的模值不变,为抵消D_c1对路径的影响,求出矢量D_c1的相反矢量D'_c1后,后续计算可联合式(3)与式(4)。

(4)D'_c1=-D_c1

由D_n的模值不变的条件求解D_n,此时求出的D_n包含D_n分向量与D_e同向、D_n分向量与D_e反向的两个解,由D_n在D_e方向上的分向量与D_e同向的约束,将式(4)代入则可求出D_n的唯一解,即为飞艇的速度矢量。飞艇速度矢量与D_e夹角表达式为

(5)α₂=$\frac{\mathrm{\pi }}{2}$-arccos$\frac{{D}_{\mathrm{n}}D\text{'}{}_{\mathrm{c}1}}{\left|{D}_{\mathrm{n}}\right|\left|D\text{'}{}_{\mathrm{c}1}\right|}$

**3.2 T-RRT* 算法流程**

传统的RRT算法虽然在路径规划领域取得较大进展,但算法存在随机性过高、路径质量差等不足。基于最短路径的L-RRT*算法能够在足够大的采样次数下收敛到全局最优解,但其并未考虑环境对飞艇的影响。由于平流层风速与飞艇空速处于同一量级,环境风场的影响不容忽视,故T-RRT*算法在L-RRT*算法的基础上考虑了平流层环境中多方面因素的影响,引入速度矢量合成法对RRT*算法的代价函数进行改进,能够得到最小耗时的优化路径。T-RRT*算法的具体步骤如下。

步骤1 初始化树结构,将起点作为根节点。利用动态风场,进行实时风场插值处理。

步骤2 在状态空间中随机采样一个点。

步骤3 找到树中距离采样点最近的节点。

步骤4 从最近节点向采样点扩展一个新节点,考虑风速影响,将风速与飞艇空速叠加并计算代价,扩展新节点并检查碰撞。

步骤5 选择最优父节点并重新连接附近的节点,优化新节点附近的路径。

步骤6 重复上述步骤,不断优化路径直至达到最大迭代次数。

T-RRT*算法的伪代码如下。其中,NEAREST函数利用时间代价找到树节点中距离随机点最近的节点,Steer函数生成新节点X_new,若无碰撞则Collision_FREE结果为1,G为随机树,X_min为代价最小且无碰撞的节点,c_min为最小代价,Cost为从起点到指定节点的累积代价,c为改进的代价函数,Line为两节点间的直线路径段,T.add_vertex将新节点添加至随机树,T.add_edge将新边添加至随机树,T.rewire为重布线优化操作。

3.3 路径平滑处理

初始路径结果存在转角突变和航程冗余问题,需要对路径进行平滑处理。当前主流的路径平滑技术主要有:B样条曲线法、基于多项式函数的插值法、Bezier曲线法以及NURBS曲线法^[20]。其中,B样条曲线法,通过调整控制顶点实现轨迹曲率的连续过渡,具有局部可调性和连续性等优势,故选用B样条曲线法来获得符合飞艇运动特性的路径。

B-spline曲线可以表示为

(6)

$\mathrm{p}\left(\mathrm{u}\right)=\stackrel{n}{\sum _{i=0}}{P}_{i}{N}_{i,k}\left(u\right),　u\in [{u}_{k-1},{u}_{n+1}]$

式(6)中:P_i为特征多边形的顶点;n为控制点的数量;u为节点向量;i为第i个节点;u_i为一组被称为节点矢量的非递减序列的连续变化值;N_i_,_k(u)为控制点P_i的k阶B样条基函数;u_k_-1为基函数支撑域的边界节点;u_n₊₁为节点向量中有效参数区间的右端点。

基函数可表示为

(7)

$\left\{\begin{array}{l}{N}_{i,0}\left(u\right)=\left\{\begin{array}{ll}1,& {u}_{i}\le u\le {u}_{\mathrm{i}+1}\\ 0,& 其他\end{array}\right.\\ {N}_{i,k}\left(u\right)=\frac{(u-{u}_{i}){N}_{i,k-1}\left(u\right)}{{u}_{\mathrm{i}+\mathrm{k}}-{u}_{i}}+\\ 　　\frac{({u}_{\mathrm{i}+\mathrm{k}+1}-u){N}_{i+1,k-1}\left(u\right)}{{u}_{\mathrm{i}+\mathrm{k}+1}-{u}_{\mathrm{i}+1}},　{u}_{k}\le u\le {u}_{\mathrm{n}+1}\end{array}\right.$

4 实验仿真及分析

为验证T-RRT*算法在求解平流层飞艇路径规划问题中的有效性和普适性,分别以虚拟风场地图和复杂动态环境地图作为平流层飞艇路径规划实验的仿真场景,对比分析T-RRT*算法与传统RRT、L-RRT*算法结果,验证算法的有效性^[21]。

4.1 实验参数

仿真环境:采用Intel(R) Core(TM) i9-13980HX的仿真计算机。将T-RRT*和L-RRT*算法的采样次数设置为15 000次。由于T-RRT*和L-RRT*算法需要执行采样和路径点拓展操作,算法效率取决于迭代次数。而算法运行时需要储存当前的树结构,其内存消耗主要由节点总数决定。故为验证仿真实验的有效性,选取20次路径规划的平均值,仿真中设置飞艇的巡航速度为30 m/s。L-RRT*算法代价函数通常选取欧几里得距离,最终比较路径长度,改进方法的代价函数设为考虑风场影响的转场时间。

4.2 仿真实验一

首先,为了验证所提出的改进策略对算法的改进效果,采用虚拟风场分析了路径长度、路径时间和转场平均速度指标。仿真场景范围为:110°E~125°E,25°N~35°N。仿真结果中,起始点用红色五角星表示,目标点用绿色五角星表示。考虑实际环境中的冷云对平流层飞艇安全性的影响,使用云层冰水含量数据表征,当区域内云层含冰量显著高于设定阈值为10^-4时认为该区域下方存在冷云,进行路径规划时需要规避。黑色箭头表示风速的大小和方向,梯度图表示冷云导致的障碍区。

4.2.1 场景一:地图中无障碍物

为验证所提T-RRT*算法对路径时间的优化效果,对路径结果、路径时间、路径长度及路径平均速度四项指标进行对比分析。当模拟风场环境中无障碍物分布时,最终路径规划结果如图4所示,路径数据如图5和表1所示。

由实验结果可以看出,RRT算法规划出的路径具有较强随机性,在最初与其他算法方向大致相同,均朝目标点方向行进,而当飞艇到达(115°E,29°N)附近,路径开始逐渐偏离目标点方向,使得路径总长度增加;而L-RRT*算法是一种渐进最优算法,能够在采样次数足够大的条件下搜索得到距离最短的理想路径,算法以欧几里得距离作为优化目标,在无障碍物的情况下,会向目标点进行直线探索,故最短距离的路径近似于连接起点终点的直线;本文改进策略的T-RRT*算法以实际转场时间作为优化函数,算法会朝向目标点逐步搜索,但可以发现路径在风场较强的区域随着风场方向的变化而变化,巧妙地借助了有效风场,即使路径长度与L-RRT*算法相比略有增加,但路径时间有效缩短,路径平均速度大大提高,提升了转场的效率与能源利用率。再结合图5和表1的数据可以看出,相较于其他算法,由于T-RRT*算法规划出的路径能够考虑风场对飞艇转场速度的影响,主动借助顺风区域,提高转场速度,从而达到路径规划时间最短的效果,路径耗时比传统RRT和L-RRT*算法分别缩短了29.2% 和10.5%,验证了本文T-RRT*算法的有效性。

4.2.2 场景二:地图中部分布障碍物

当转场范围内存在大范围的冷云障碍区,飞艇需要避开障碍区域^[22],在可行区域内进行转场路径规划。本场景中,冷云导致的障碍区覆盖在转场区域中心,相应的路径规划结果如图6所示,路径数据如图7和表2所示。

由实验结果(图6)可以看出,在需要规避大范围冷云的情况下, RRT算法规划出的路径在通过狭小的冷云障碍后,由于采样随机性过强,在(113°E,31°N)处与其他两个算法产生明显差异并偏离目标点方向,导致RRT算法的路径长度和时间无效增加;L-RRT*算法在精确避障的同时搜索得到距离最短的可行路径,而T-RRT*算法能够使随机树的生长趋向于目标点方向,同时有效利用当前风场,从而使得规划时间显著减小,转场平均速度提升,但由于冷云障碍区域范围过大,可行区域形成狭小的通道,使得L-RRT*与T-RRT*规划出的路径差异并不明显。结合图7与表2的数据可以得出,T-RRT*算法规划出的路径时长比传统RRT和L-RRT*算法分别缩短了26.3% 和8.7%,提升了飞艇转场的效率,验证了T-RRT*算法的有效性。

4.2.3 场景三:地图四周分布障碍物

在该场景中,障碍区集中分布在地图的右下方区域,飞艇需要避开的障碍区范围较小,算法的搜索空间更大,最终路径规划结果如图8所示,路径数据如图9和表3所示。

由实验结果(图8)可知,在小范围的冷云避障情况下,三种算法在最初均朝目标点进行探索,但RRT算法存在采样过程随机性过大的问题,导致路径弯折过多,无效增加了路径长度和转场时间,降低了转场平均速度;而L-RRT*算法能够使随机树枝叶节点的生长趋向于目标点方向,最终得到的路径近似于起点终点间的直线,有效降低路径长度,提升转场平均速度;T-RRT*算法向目标点进行探索,同时利用大范围的有利顺风风场,有效降低了转场时长与能耗,从而提高了转场平均速度与转场效率。结合图9、表3的数据可以得出,T-RRT*算法生成的路径长度比传统RRT缩短了11.5%,比L-RRT*算法增加了7.4%,但由于T-RRT*算法利用了风场对飞艇的作用效果,故路径耗时比传统RRT和L-RRT*算法分别缩短了28.2% 和10.1%,进一步验证了所提T-RRT*算法的有效性和普适性。

4.3 仿真实验二

在本次实验中,引入动态环境下的动态风场,基于ERA5再分析风场数据模拟真实情况下风速和风向的时空变化^[23],对算法的路径和速度矢量合成改进部分进行了实验验证仿真,并分析了路径时间和转场平均速度两个指标。转场区域为:110°E~125°E,0°S~10°S,最终路径规划结果如图10所示,路径数据如图11和表4所示。

由实验结果(图10)可以明显看出,RRT算法实验结果有较大波动,导致从(120°E,6°S)开始偏离目标点方向,从而使得规划路径长度增加,转场平均速度降低;而L-RRT*能够在起点和终点之间找到一条距离最短的路径,在障碍物较小的情况下,这条路径接近一条直线,使得L-RRT*算法探索出的路径长度最短;相较于其他算法,T-RRT*算法表现出明显的优越性,此区域风场呈现出涡流的效果,并且在赤道区域附近水平方向风速为负,飞艇能够借助此部分风场来达到加速的效果,因此T-RRT*规划出的路径会稍向上偏移,以此来有效借助涡流风场减小转场时间和能耗。

结合图11和表4的数据可以看出,T-RRT*算法生成的路径长度比RRT和L-RRT* 算法分别缩短了19.2%和增加了1.9%,但由于T-RRT*算法考虑了风场对飞艇的影响,并且能够利用顺风风场,故路径耗时比RRT和L-RRT*算法分别缩短了28.7% 和8.7%。故T-RRT*算法能够根据预测风场动态调整路径,提升转场平均速度,显著提高了远距离转场的效率和成功率。

5 结论

(1) 针对平流层飞艇在远距离转场任务中的路径规划问题,提出一种基于路径规划时间最优的T-RRT*算法,通过引入速度矢量叠加法,考虑风场对飞艇飞行速度的影响,引导其主动利用顺风区域,使飞艇能够在满足飞行约束的同时,缩短转场时间,显著提高转场的平均速度与效率,验证了所提改进策略的有效性。

(2) 为验证T-RRT*算法的性能,设置多组仿真实验。实验结果表明,在真实动态风场场景下,基于T-RRT*算法的路径规划可以达到路径耗时比RRT和L-RRT*算法分别缩短了28.7%和8.7%,验证了算法的普适性和鲁棒性。

(3)飞艇路径规划在实际工程中属于典型的多目标优化问题,除转场时间外,还需综合考虑路径长度、能源经济性、任务可靠性等多重指标。在后续研究中,可进一步探索多目标协同优化方法,提升整体方案的工程适用性。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Fan Y, Deng X, Yang X, et al. Coverage control with global connectivity maintenance for multiple stratospheric airships[J]. Control Engineering Practice, 2025, 165: 106544.

[2]	Lü C, Zhu M, Guo X, et al. Hierarchical reinforcement learning method for long-horizon path planning of stratospheric airship[J]. Aerospace Science and Technology, 2025, 160: 110075.

[3]	Xie J, Miao J, Cui Y, et al. Long term global path planning for stratospheric airships under time-sequential uncertainty wind fields[J]. Advances in Space Research, 2025, 75(12): 8761-8779.

[4]	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.

[5]	Yan Shaohua, Shi Xingyu, Zhang Zhaoning. Three-dimensional path planning for urban logistics UAV based on improved A* algorithm[J]. Science Technology and Engineering, 2024, 24(29): 12781-12788.

[6]	王娟, 郭盈, 刘哲旭. 垂直起降飞行器通用三维全局路径规划: 以多旋翼电动垂直起降机为例[J]. 科学技术与工程, 2025, 25(29): 12709-12721.

[7]	Wang Juan, Guo Ying, Liu Zhexu. A universal 3D global path planning method for vertical take-off and landing aircraft[J]. Science Technology and Engineering, 2025, 25(29): 12709-12721.

[8]	李淑凤, 曹秀. 基于飞机表面检测的无人机全覆盖路径规划[J]. 科学技术与工程, 2025, 25(29): 12699-12708.

[9]	Li Shufeng, Cao Xiu. Research on complete coverage path planning for aircraft surface inspection using an unmanned aerial vehicle[J]. Science Technology and Engineering, 2025, 25(29): 12699-12708.

[10]	Cândido B, Rodrigues C, Moutinho A, et al. Modeling, altitude control, and trajectory planning of a weather balloon subject to wind disturbances[J]. Aerospace, 2025, 12(5): 392.

[11]	巩慧, 倪翠, 王朋, 等. 基于Dijkstra算法的平滑路径规划方法[J]. 北京航空航天大学学报, 2024, 50(2): 535-541.

[12]	Gong Hui, Ni Cui, Wang Peng, et al. Smooth path planning method based on Dijkstra's algorithm[J]. Journal of Beijing University of Aeronautics and Astronautics, 2024, 50(2): 535-541.

[13]	Tang X, Shang W, Hu J, et al. Manifold approximation-based probabilistic roadmap approach for constrained path planning of mobile manipulators[J]. IEEE/ASME Transactions on Mechatronics, 2025, 30(6): 7334-7345.

[14]	Luo Q, Sun K, Chen T, et al. Trajectory planning of stratospheric airship for station-keeping mission based on improved rapidly exploring random tree[J]. Advances in Space Research, 2024, 73(1): 992-1005.

[15]	李华, 张强, 斯永坤, 等. 麻雀算法改进BP神经网络的4D航迹预测[J]. 科学技术与工程, 2024, 24(31): 13635-13641.

[16]	Li Hua, Zhang Qiang, Si Yongkun, et al. Sparrow algorithm to improve BP neural network for 4D trajectory prediction[J]. Science Technology and Engineering, 2024, 24(31): 13635-13641.

[17]	屈文涛, 谢韩彧, 刘鑫, 等. 基于改进遗传算法的油气管道无人机航迹规划[J]. 科学技术与工程, 2024, 24(27): 11901-11908.

[18]	Qu Wentao, Xie Hanyu, Liu Xin, et al. UAV trajectory planning for oil and gas pipeline based on improved genetic algorithm[J]. Science Technology and Engineering, 2024, 24(27): 11901-11908.

[19]	Zhang Y, Yang K, Chen T, et al. Integration of path planning and following control for the stratospheric airship with forecasted wind field data[J]. ISA Transactions, 2023, 143: 115-130.

[20]	Liu C, Li X, Miao J, et al. Day-night energy-constrained path planning for stratospheric airships: a hybrid level-set particle swarm optimization (LS-PSO) framework in dynamic flows[J]. Aerospace, 2025, 12(5): 417.

[21]	Zheng B, Zhu M, Guo X, et al. Path planning of stratospheric airship in dynamic wind field based on deep reinforcement learning[J]. Aerospace Science and Technology, 2024, 150: 109173.

[22]	Wang T, Peng Z, Wang Q. Research on real-time trajectory optimization methods for stratospheric airships based on deep learning[J]. Aerospace Systems, 2024, 7(4): 771-789.

[23]	Liu Y, Lü M, Sun K. Comprehensive tradeoff and utilization of airborne renewable energy and uncertain stratospheric wind potential based on reinforcement learning[J]. Energy, 2025, 324:135932.

[24]	美国国家海洋和大气管理局, 美国国家航空航天局, 美国空军部. 标准大气(美国1976)[M]. 任现淼, 钱志民, 译. 北京: 科学出版社, 1982.

[25]	National Oceanic and Atmospheric Administration, National Aeronautics and Space Administration, Department of the Air Force. National Aeronautics and Space Administration[M]. Ren Xianmiao, Qian Zhimin, translated. Beijing: Science Press, 1982.

[26]	Ye H, Zhou X, Wang Z, et al. TGK-planner: an efficient topology guided kinodynamic planner for autonomous quadrotors[J]. IEEE Robotics and Automation Letters, 2021, 6(2): 494-501.

[27]	Lü P, Wei H, Gu T, et al. Trajectory distributions: a new description of movement for trajectory prediction[J]. Computational Visual Media, 2022, 8(2): 213-224.

[28]	曲艺, 王生, 曾凌川, 等. 基于平流层飞艇的空基伪卫星路径规划算法[J]. 北京航空航天大学学报, 2023, 49(5): 1071-1082.

[29]	Qu Yi, Wang Sheng, Zeng Lingchuan, et al. Airborne pseudo satellite path planning algorithm based on stratospheric airships[J]. Journal of Beijing University of Aeronautics and Astronautics, 2023, 49(5): 1071-1082.

[30]	Fan Y, Deng X, Zhang B, et al. Satellite radiation based thermal constraint mapping for stratospheric airship trajectory planning[J]. Acta Astronautica, 2025, 238: 513-527.

[31]	Wei Y, Liu D, Zheng B, et al. Stratospheric airship trajectory planning via temporal perception and dual-source learning[J]. Aerospace Science and Technology, 2025, 167: 110671.

基金资助

国家自然科学基金(52272445)

湖南省自然科学基金(2023JJ30636)

PDF (6510KB)

访问

被引

详细

导航

Received	Published	Revised
2025-07-16	2026-04-28	2025-12-16
Online Date
2026-05-29

摘要