针对城市环境的无人机自主避障优化设计

刘冰; 施文乐; 汤新民; 钱婧婧

doi:10.12404/j.issn.1671-1815.2505786

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (21) :8941-8950 DOI: 10.12404/j.issn.1671-1815.2505786

第二十八届中国科协年会学术论文

针对城市环境的无人机自主避障优化设计

刘冰 ¹^,² ,
施文乐 ¹ ,
汤新民 ¹^,² ,
钱婧婧 ²^,³^,^*

作者信息 +

Optimization Design of Autonomous Obstacle Avoidance for UAV in Urban Environments

LIU Bing ¹^,² ,
SHI Wen-le ¹ ,
TANG Xin-min ¹^,² ,
QIAN Jing-jing ²^,³^,^*

Author information +

文章历史 +

摘要

针对城市环境障碍物密集、结构复杂且具有动态变化的特点,评估不同感知识别技术与路径规划算法的性能,构建一套无人机自主避障优化设计方法,保障无人机在城市环境中的安全运行。首先对视觉传感器、毫米波雷达和激光雷达这三类感知识别技术的原理、性能与适用场景进行分析比较。随后选取A*算法、快速扩展随机树(rapidly-exploring random tree,RRT)算法与蚁群算法作为代表性路径规划方法,在MATLAB中构建障碍物环境,设计综合评价函数,对三种算法在静态环境下进行对比仿真;进一步对RRT算法在动态障碍物场景下进行仿真。通过静态环境仿真,验证了三种算法的可行性,并且其中A*算法综合表现最优,RRT算法耗时最短。动态环境仿真进一步验证了RRT算法的实时性。城市无人机避障需采用多传感器融合以提升环境感知准确性并采用分层路径规划策略以兼顾性能和效率。

Abstract

Given the characteristics of dense obstacles, complex structures, and dynamic changes in urban environments, it is necessary to evaluate the performance of different perception and recognition technologies and path planning algorithms, and develop a set of optimized design methods for autonomous obstacle avoidance by drones to ensure their safe operation in urban environments. Firstly, the principles, performance, and applicable scenarios of three types of perception and recognition technologies, namely visual sensors, millimeter-wave radar, and lidar, were analyzed and compared. Subsequently, A*, RRT, and the ant colony algorithm were selected as representative path planning methods. An obstacle environment was constructed in MATLAB, and a comprehensive evaluation function was designed to conduct comparative simulations of the three algorithms in a static environment. Furthermore, the RRT algorithm was simulated in a dynamic obstacle scenario. Through static environment simulations, the feasibility of the three algorithms was verified, with the A* algorithm demonstrating the best overall performance and the RRT algorithm having the shortest computation time. Dynamic environment simulations further verify the real-time performance of the RRT algorithm. For urban drone obstacle avoidance, multi-sensor fusion is required to improve the accuracy of environmental perception, and a hierarchical path planning strategy is adopted to balance performance and efficiency.

Graphical abstract

关键词

无人机 / 避障 / 城市环境 / 路径规划

Key words

UAV / obstacle avoidance / urban environment / path planning

引用本文

引用格式 ▾

刘冰, 施文乐, 汤新民, 钱婧婧. 针对城市环境的无人机自主避障优化设计[J]. 科学技术与工程, 2026, 26(21): 8941-8950 DOI:10.12404/j.issn.1671-1815.2505786

LIU Bing, SHI Wen-le, TANG Xin-min, QIAN Jing-jing. Optimization Design of Autonomous Obstacle Avoidance for UAV in Urban Environments[J]. Science Technology and Engineering, 2026, 26(21): 8941-8950 DOI:10.12404/j.issn.1671-1815.2505786

登录浏览全文

4963

注册一个新账户忘记密码

伴随无人机技术迅猛发展,城市空域的拥挤情况变得愈发明显,怎样设计更加安全高效的避障系统是迫在眉睫需要解决的问题。本文研究基于无人机感知识别和路径规划这一体系,就城市环境中典型的障碍物类型、飞行场景以及飞行任务需求展开剖析,结合典型的避障算法,开展无人机自主避障的优化设计与性能评估工作。

徐威峰^[1]提出改进A*算法,凭借减少搜索节点和冗余路段对路径加以优化,且配合Floyd算法完成路径优化。江波等^[2]总结了优化、几何及强化学习等无人机避障算法的优劣,并提出D3QN(dueling double DQN)算法改进方案,适用于高密度空域场景。陈新洲^[3]给出了融合改进双向快速随机搜索树(bidirectional rapidly-exploring random tree,Bi-RRT)算法与动态窗口法(dynamic window approach,DWA)算法的自主避障策略,借助自适应采样、动态改变步长以及增加安全距离优化全局路径规划。王娟等^[4]针对现有电动垂直起降飞行器(electric vertical take-off and landing,eVTOL)路径规划空域利用不足、优化单一的问题,提出通用三维全局路径规划,融合多约束优化以适应不同场景需求。李亚飞等^[5]提出了基于噪声保护区的多目标路径规划模型和Dubins路径规划方法,针对无人机城市运行中噪声、能耗与安全风险等问题优化了运行成本。李安醍等^[6]提出以跳点搜索引导的避障方法,采用蒙特卡罗树搜索算法,在城市低空环境下能够切实避免静态与动态障碍物。卢成阳^[7]研发出基于探索、启发和转移的三维全局路径规划算法扩展启发式树-快速随机探索树(extended heuristic tree-rapidly-exploring random tree,EHT-RRT),将双目深度相机和单线激光雷达配合起来进行环境感知,且采用经改进的人工势场法(artificial potential field,APF)算法进行局部避障规划。邓江红^[8]提出基于改进SAC(soft actor-critic)算法形成的LVSACI算法,以及将人工势场算法与TD3(twin delayed deep deterministic policy gradient)算法结合起来的ATD3算法。Boulares等^[9]给出了一种结合深度学习和群体智能的海洋目标搜索算法。该算法借助深度Q-learning算法开展模型训练,预估目标受海洋潮流影响后的移动轨迹,增强算法的成功概率。Kevin等^[10]提出一个基于Q-learning的离线路径规划算法,在静态环境中规划出最理想的路径,此算法把路径长度、安全性以及能耗等优化问题相结合。Salehi等^[11]采用LAHC(late acceptance hill climbing)算法去解决城市复杂环境中的无人机路径规划问题,此方法借助退火算法,适用于不规则程度高、含有大量障碍物的城市区域。Demlamer等^[12]提出基于部分可观察马尔可夫决策过程(POMDP)的安全路径规划策略,针对城市环境当中GNSS信号较差状况,采用IMU与GNSS融合定位,采用POMCP-GO算法规划安全的路径。Gouda等^[13]提出一种把超图聚类及蚁群算法联合起来的无人机路径规划方法,目的是实现D2D蜂窝网络能耗的最小化。

现针对城市低空复杂环境下无人机的避障任务,从无人机对障碍物的识别和路径规划两个问题展开研究。研究分析这两个问题的基础理论,并选取目前市面上常用的感知技术和路径规划算法,根据城市环境的特点选取合适的感知技术,对无人机的路径规划从静态和动态两个方面进行算法研究,并采用 MATLAB 进行算法的验证分析,选取合适的方案。以期采用多传感器融合以提升感知准确性,并采用分层路径规划策略以兼顾性能和效率。

1 感知识别技术

1.1 视觉传感器

视觉传感器(即可见光摄像头)通过感知周围环境里的可见光形成图像,进而获取环境中障碍物的信息。摄像头通过拍摄高分辨率的图像,以便捕获障碍物的模样、纹理及颜色等特征,在复杂结构环境里极为有利,尤其在城市环境中,可以更精准地识别各类标志、道路、建筑物等,协助无人机对环境进行感知。

纯视觉方案受环境、天气这类因素的影响,在亮度偏低或恶劣天气下,性能会大幅变差。例如,在隧道内或夜间飞行时,拍摄出来的图像亮度不足,无法高效识别障碍物;在雨雾天气,大雾或水滴会在一定程度上挡住摄像头,导致能见度降低,摄像头很容易“看不清”。由于摄像头帧率存在限制,高速飞行时所拍摄的图像可能出现模糊,影响信息提取的精准度。

1.2 毫米波雷达

毫米波雷达是指工作在毫米波波段(频率为30~300 GHz,波长为1~100 mm)的探测雷达。探测距离可达100 m。

其原理为通过调频连续波的发射和回波的计算进行探测。其工作时,调制器控制压控振荡器(voltage-controlled oscillator,VCO)产生调制频率信号,通过放大器放大后由发射天线向外辐射发出。当信号遇到障碍物后则产生反射,反射后的回波信号由接收天线接收,将接收到的信号通过放大器放大后输入混频器后得到频差信号,将频差信号放大后输入处理器内提取出障碍物的信息。

假设飞行器上的发射机和接收机为同一位置,则雷达与被测障碍物之间的距离为

(1)

$R=\frac{c{t}_{\mathrm{r}}}{2}$

式(1)中:c为波的径向速度;t_r为发射信号和接收信号之间两个连续峰值之间的时间差。

在城市环境中,由于毫米波的特性,毫米波雷达能够穿透雨、雾等恶劣天气造成的障碍,并且对运动目标的距离也能够较好地探测。常常用于辅助导航,并且能够全天候探测,十分稳定。

但由于毫米波的波长较长,毫米波雷达的分辨率有限,所以侦测精度也比较有限。在高楼密集的城市环境中,障碍物数量多且结构复杂,毫米波雷达可能会难以区分相邻物体的细节,尤其对体积较小的目标,如电线等容易被忽略。同时毫米波雷达的探测距离也非常有限,并且视角较窄,提供信息较为粗糙。所以虽然毫米波雷达可以适配高速情境,但其分辨率的不足导致其在独立完成城市环境避障的任务中十分受限。

1.3 激光雷达

激光探测测量系统是一种以激光为发射光源、采用光电遥感技术的感知设备。

其包含一个激光器和一个接收器。激光器产生并发射一束光脉冲,照射在障碍物后反射回来并被接收器所接收。接收器会精准地测量光脉冲从发射到被反射回来的传播时间。由于光脉冲是以光速传播的,所以接收器一定会在下一脉冲发射前接收到前一个光脉冲的反射脉冲。由于光速是一个定值,所以可由传播时间计算得出距离。结合激光器的高度和激光扫描的角度,得到激光器的位置和激光发射方向,便可计算得出激光打出的每一光斑的坐标。

于是可以得到由某一飞行器上的激光雷达到某障碍物的距离为

(2)

$R=\frac{CT}{2}$

式(2)中:C为光速,即299 792 458 m/s;T为时间。

激光雷达发射激光束,测距精度高,可达厘米级,且视野宽广,能够实现全天候持续工作。由于激光雷达工作时不依赖环境光,在夜间或照明不佳的恶劣环境中仍可稳定探测。研究表明,高性能超远距激光雷达在10%反射率条件下可实现250 m的远距离探测。此外,激光雷达检测微小目标的能力十分出色,能够在高速飞行时准确获取细小障碍物的信息。激光雷达兼具视觉传感器与毫米波雷达的优势,并较好地弥补了二者的不足,从而实现了更为优异的探测性能。

激光雷达也存在缺点,主要体现在成本偏高以及对算力要求较高。SLAMTEC 等行业报道指出,相较于毫米波雷达,激光雷达在测距和障碍识别方面精度更高;但由于其工作时需采集大量数据,通常需要更高性能的处理器配合才能正常运行,加之价格昂贵,制约了其大规模推广应用。此外,在多尘或高反射率的环境中(如烟尘环境或下雪天),激光可能产生反射干扰,导致激光雷达的探测性能衰减。综上所述,各类传感器各有优劣:视觉传感器能提供丰富的障碍物细节信息,但易受环境影响;毫米波雷达抗干扰能力强,但精度较低;激光雷达精度高、可实现全天候全景探测、稳定性好,但成本和能耗较高。

多传感器融合是解决上述问题的典型方法。例如,在无人驾驶和无人机领域,常采用"毫米波雷达+激光雷达+摄像头"的组合,以实现优势互补。通过在无人机前方及侧面分别布置远距激光雷达与广角激光雷达,可实现长距离预警与近场障碍物探测的无缝覆盖。

2 路径规划算法

路径规划是在已经给定的环境中,在已知障碍物的前提下,为无人机寻找从起点到目标点的最优可行路径的过程。

**2.1 A*算法**

A*算法是基于图搜索的路径规划方法^[14]。其基本思想是将任务空间以一定的分辨率离散化为栅格地图,即若干个相互独立的单元格,这些单元格被分为自由空间(无人机可通行的空间)、障碍空间(无人机不可通行的空间)、任务起始点和目标点。A*算法流程如图1所示。

A*算法的评价函数表达式为

(3)

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

式(3)中:f(n)为当前节点的n的总路径代价;g(n)为已经花费的实际代价,通常用已经走过的点数表示;h(n)为启发函数,是从当前节点到目标节点的估计代价,通常有哈曼卡顿、切比雪夫、欧几里得三种启发函数表示方式,表达式为

(4)

$h\left(n\right)=(\left|{x}_{n}-{x}_{g}\right|+\left|{y}_{n}-{y}_{g}\right|)d$

(5)

$h\left(n\right)=\mathrm{m}\mathrm{a}\mathrm{x}(\left|{x}_{n}-{x}_{g}\right|,\left|{y}_{n}-{y}_{g}\right|)d$

(6)

$h\left(n\right)=\sqrt{({x}_{n}-{x}_{g}{)}^{2}+({y}_{n}-{y}_{g}{)}^{2}}d$

式中:(x_n,y_n)为当前节点坐标;(x_g,y_g)为目标节点的坐标;d为移动代价。

A*算法首先要定义一个开启列表(open列表)和关闭列表(closed列表),分别表示被探索到但还没处理的点和已经处理完毕的点。经过初始化,将开始点放入open列表,将closed列表清空。在open列表中选择f(n)最小的节点作为正在处理的节点。对正在处理点周围的点进行检测分析,如果这些点在closed列表中则忽略,如果不在closed列表中,则对这些点的代价值进行计算,将其中f(n)小于当前正在处理节点的点加入open列表,将当前节点从open列表中删除并加入closed列表。

如此往复循环,直至目标点被加入open列表中则结束寻找,路径规划完成。

但是A*算法利用的栅格法对障碍物空间进行建模有一定的局限性,栅格地图建模实际上是把有限的空间划分为若干个相同的格子,是一个将连续的空间划分为离散的格子的过程。因此,利用栅格法建模的地图的精准度对分辨率有一定的依赖性,分辨率越高则对环境的建模越精细,越接近真实的环境,反之则越粗糙,越偏离真实的环境。并且分辨率越高栅格的数量也会越多,从而需要更大的算力,影响计算速度。

2.2 RRT算法

快速扩展随机树(rapidly-exploring random tree,RRT)算法是一种基于采样的路径规划方法,它通过不断对无障碍自由空间进行采样,并向随机点延伸的方式构造一棵搜索树,覆盖搜索空间,直至树节点延伸到目标区域^[15],从而找到从起点到终点的可行路径。随机树扩展原理图如图2所示。

首先在任务空间内选择起始点。

通过起始点,以概率p_g或概率1-p_g向目标位置选择随机目标点

${q}_{\mathrm{r}\mathrm{a}\mathrm{n}\mathrm{d}}$

。

然后从当前随机树的所有节点中选择一个距离

${q}_{\mathrm{r}\mathrm{a}\mathrm{n}\mathrm{d}}$

2.3 蚁群算法

蚁群算法是一种以自然界蚂蚁觅食过程为启发的仿生算法。在蚂蚁觅食的过程中,会在行进路径上释放信息素,其他蚂蚁则会更加倾向于沿着信息素浓度较高的路径行进。通过信息素的不断累积和挥发,整个蚁群最终收敛于一条或多条优质路径。蚁群算法流程如图4所示。

设信息素的浓度为τ,蚂蚁数量为m,第k只蚂蚁在t时刻从i点到j点的概率为

(7)

${p}_{ij}^{k}=\left\{\begin{array}{ll}\frac{{\tau }_{ij}^{\alpha }\left(t\right){\eta }_{ij}^{\beta }\left(t\right)}{\sum _{s\in \mathrm{a}\mathrm{l}\mathrm{l}\mathrm{o}\mathrm{w}\mathrm{e}{\mathrm{d}}_{k}}{\tau }_{ij}^{\alpha }\left(t\right){\eta }_{ij}^{\beta }\left(t\right)},& s\in \mathrm{a}\mathrm{l}\mathrm{l}\mathrm{o}\mathrm{w}\mathrm{e}{\mathrm{d}}_{k}\\ 0,& \mathrm{其}\mathrm{他}\end{array}\right.$

式(7)中:α为信息启发因子,表示蚂蚁在选择下一节点时信息素的作用程度,即对走完全部路程的影响程度;β为期望启发因子,表示蚂蚁在寻找下个节点时,距离对其的重要程度;allowed_k为蚂蚁k接下来选择的路径节点的集合;

${\eta }_{ij}$

为启发函数,表示蚂蚁选择下一节点的概率,表达式为目前节点与下一时刻节点的距离的倒数。

(8)

${\eta }_{ij}=\frac{1}{{d}_{ij}}$

式(8)中:d_ij为i点到j点的距离。

在蚂蚁寻找目标的过程中,信息素不仅会增加,还会随时间消失。用挥发因子ρ来表示信息素挥发的速度。则经过一段时间n后的信息素为

(9)

$\left\{\begin{array}{l}{\tau }_{ij}(t+n)=(1-\rho ){\tau }_{ij}\left(t\right)+\mathrm{\Delta }{\tau }_{ij}\left(t\right)\\ \mathrm{\Delta }{\tau }_{ij}\left(t\right)=\stackrel{m}{\sum _{k=1}}\mathrm{\Delta }{\tau }_{ij}^{k}\left(t\right)\end{array}\right.$

式(9)中:

$\mathrm{\Delta }{\tau }_{ij}^{k}$

为i点和j点之间保留的信息素,表达式为

(10)

$\mathrm{\Delta }{\tau }_{ij}^{k}=\left\{\begin{array}{ll}\frac{Q}{{d}_{ij}},& \mathrm{蚂}\mathrm{蚁}\mathrm{k}\mathrm{循}\mathrm{环}\mathrm{经}\mathrm{过}(i,j)\\ 0,& \mathrm{其}\mathrm{他}\end{array}\right.$

式(10)中:Q为信息素的强度,通常为常数。

类似的仿生算法还有粒子群算法、遗传算法、人工势场法等。

3 静态环境下算法对比仿真

在MATLAB中创建栅格地图以仿真城市环境(图5)。

(1)假设无人机的长×宽×高为1 m×1 m×0.5 m。

(2)不计算无人机与障碍物的间距裕度。

(3)假设无人机匀速行驶。

(4)栅格地图大小为500 m×500 m×500 m。

(5)假设每个障碍物位置随机,长度为45 m,宽度为15 m,高度为随机。

(6)起点位置为[10,10,1]m,终点位置为[450,450,40]m。

(7)不考虑禁飞区。

(8)障碍物均为静态。

3.1 性能评价指标

3.1.1 搜索耗时

用Tic函数启动秒表计时器。此 MATLAB 函数与Toc函数结合使用,可以测量经过的时间。Tic函数记录当前时间,Toc函数使用记录的值计算经过的时间。Toc函数从秒表读取已用时间。此 MATLAB 函数读取自调用Tic函数启动秒表计时器以来经过的时间。MATLAB 读取执行Toc函数时的内部时间,并显示最近一次不带输出调用Tic函数以来经过的时间。经过的时间以秒为单位表示,将记录的各算法的耗时输出为搜索耗时。

3.1.2 路径长度

本文模型基于三维栅格地图,路径为多个栅格点组成的一条曲线,曲线长度可由各栅格点之间的欧式距离之和表示。

(11)

$\mathrm{D}=\stackrel{n}{\sum _{i=1}}\sqrt{({x}_{i+1}-{x}_{i}{)}^{2}+({y}_{i+1}-{y}_{i}{)}^{2}+({z}_{i+1}-{z}_{i}{)}^{2}}$

3.1.3 回报率

回报率即为搜索成功的概率,可由可行栅格数n_successful与总搜索的栅格n数的比值表示。

(12)

$P=\frac{{n}_{\mathrm{s}\mathrm{u}\mathrm{c}\mathrm{c}\mathrm{e}\mathrm{s}\mathrm{s}\mathrm{f}\mathrm{u}\mathrm{l}}}{n}\times 100\mathrm{\%}$

可行栅格数在各算法的迭代过程中统计,成功迭代一次则数量加一。而总搜索的栅格数由于各算法的搜索方式不同而在执行每次迭代时分别加上不同的数量。

3.1.4 转弯角度

路径由栅格点组成,则将每一个栅格点(x_i,y_i,z_i)与后一个栅格点(x_i+1,y_i+1,z_i+1)看作一个向量V_i,转弯角度可由相邻的两个向量V_i和V_i+1之间的夹角表示。则转弯角可表示为

(13)

${\theta }_{i}=\mathrm{a}\mathrm{r}\mathrm{c}\mathrm{c}\mathrm{o}\mathrm{s}\left(\frac{{V}_{i}{V}_{\mathrm{i}+1}}{\left|{V}_{i}\right|\left|{V}_{\mathrm{i}+1}\right|}\right)$

则最大转弯角可表示为

(14)

${\theta }_{\mathrm{m}\mathrm{a}\mathrm{x}}=\mathrm{m}\mathrm{a}\mathrm{x}({\theta }_{1},{\theta }_{2},{\theta }_{3},\dots )$

当转弯角度超过45°时,为极高风险的极限操作,可能会在之后的执行过程中导致碰撞,需要对超过45°的转弯角进行统计。

3.1.5 评价函数

对于得出的结果,由于数据较多,数据表示的性能也不同,无法进行直接比较来对算法进行评估,所以要引入一种统一的评价方式,即提出量化评价函数^[5]。

(15)

$\begin{array}{l}F=f(c,d,s,e,t,v)\\ ={k}_{1}c+{k}_{2}d+{k}_{3}s+{k}_{4}e+{k}_{5}t+{k}_{6}v\end{array}$

式(15)中:F、c、d、s、e、t、v的取值范围均为(0,1),其值越大则评价越好,c为路径优化参数,d为路径长度参数,s为路径安全参数,e为规划误差参数,t为规划时间参数,v为规划空间参数,通过将对应的性能指标转化为取值范围为(0,1)的值来表示;

${k}_{1}、{k}_{2}、{k}_{3}、{k}_{4}、{k}_{5}、{k}_{6}$

为常数,用来调节各指标之间的权重。由经验估算值可得,在全局路径规划的情况下,k₁=0.15,k₂=0.3,k₃=0.3,k₄=0.05,k₅=0.1,k₆=0.1。

3.2 实验结果

实验进行5次仿真,即随机生成10组障碍物空间模型,模拟在城市环境中不同位置的情况,对实验生成的路径及各项性能指标进行记录,如表1~表6所示对结果进行分析。

由表6可以看出,综合来看,A*算法的平均评价最高,生成的路径相对于RRT算法和蚁群算法是更优的。

由图5可知,A*算法和蚁群算法生成的路径大致差不多,但是蚁群的多数参数都不如A*算法优异,并且蚁群算法在转弯时有许多“毛刺”,这也是导致蚁群生成的路径看似平滑但是最大转弯角相对较大,超过45°的转弯角也有更多的原因。后续可能通过与其他算法相结合等方式对其中的“毛刺”,进行平滑处理。另外由于蚁群算法是一种仿生算法,本身较为复杂,参数也更多,导致搜索耗时大幅增加,实时性能大幅下降。

相比A*算法和蚁群算法,RRT算法的路径直观看上去十分粗糙,遇到较为高大的障碍物时总是“大起大落”,这是由其随机生成树的特性导致的。其生成的路径长度大大增加,其路径的优劣率相比A*算法和蚁群算法也较低,但是其搜索时间相比于A*算法和蚁群算法却大大减少了。所以虽然RRT算法生成的路径不是最优解甚至十分粗糙,但是实时性远远强于A*算法和蚁群算法。

4 RRT算法动态避障验证

针对城市环境中的静态障碍物进行实验仿真,可知,RRT算法的搜索耗时最短,实时性最好。

城市环境中除了静态的障碍物外,时不时会有一些动态的障碍物,如需要规避各种鸟群和其他无人机等,虽然没有静态障碍物那么频繁,但是依旧存在这方面的威胁,是无人机自主避障中重要的一部分。所以对RRT算法在遇到动态障碍物时的实时性进行验证分析。

4.1 环境搭建

动态避障所需要规避的障碍物都是一些突发情况,因此不能根据先验地图建模,只能依赖传感器进行感知。毫米波雷达的探测距离通常为150~250 m,而激光雷达探测范围为200~300 m,而由于城市环境中复杂结构的遮挡,本次实验采取尽量极限的距离,即100 m的范围。

假设动态障碍物从一个初始位置出发,匀速直线飞行,速度由X轴方向上的速度V_x、Y轴方向上的速度V_y、Z轴上的速度V_z组成^[16]。于是动态障碍物的速度可以表示为

(16)

$V=\sqrt{{V}_{x}^{2}+{V}_{y}^{2}+{V}_{z}^{2}}$

速度的方向也可由向量(V_x,V_y,V_z)表示,可以表示出动态障碍物的运行轨迹。

由于鸟群或无人机集群等障碍物的大小会因为鸟的数量和鸟的种类以及集群中无人机的数量和间隔而发生变化,因此动态障碍物的大小通常不确定,所以假设本次实验中动态障碍物为一个半径5 m的球体。

此外,在地图中添加5个球体的静态障碍物作为干扰,它们的位置分别为(30,20,30) m、(20,60,40) m、(70,60,50) m、(40,80,20) m和(60,30,80) m,半径分别为10、8、9、7、9 m。

根据Hoekstra等^[17]的研究结论,无人机在城市环境下运行,主要采取分层运行的空域结构,因此无人机在城市环境中巡航时,更多的是在同一飞行高度平飞。假设无人机大小为一个1 m×1 m×1 m的栅格点,从设定的起始点(10,50,50) m开始,向目标点(90,50,50) m以设定的速度15 m/h匀速飞行。

相比较于静态避障,动态避障地图范围较小,因此不能将无人机近似为一个点,必须考虑无人机大小的影响,不能让无人机在避障时紧贴着障碍物擦过,为了防止这一情况,要确立一个无人机与障碍物的下限值即无人机安全半径,当无人机与障碍物之间的间隔大于这个值时,可以认为是安全的,反之则认为仍有障碍物。本次实验中假设安全半径为2 m。

由于地图范围有限,并且障碍物密度较低,为了仿真结果更精准,将RRT算法中的目标阈值设为1 m。

4.2 冲突方式

在三维空间中,有3个自由度,因此无人机与动态障碍物之间的碰撞方式也多样化。实验中,从常用的几种冲突方式出发,对RRT算法的避障实时性能进行验证仿真^[18]。

4.2.1 垂直汇聚冲突

无人机在水平飞行时,目标障碍物的飞行轨迹穿过无人机飞行的水平面。分为障碍物正在爬升时的垂直汇聚冲突和障碍物正在下降时的水平汇聚冲突。

分别将动态障碍物的位置设置为(90,50,10) m及(90,50,90) m,为了确保动态障碍物和无人机能产生碰撞,无人机起始位置到碰撞点的距离为40 m,根据假设的速度15 m/h,分别将动态障碍物的速度设置为(-15,0,15) m/h和(-15,0,-15) m/h。

4.2.2 正面冲突

无人机在水平飞行时,目标障碍物位于无人机前方±10°的方位角内。假设无人机与动态障碍物相向而行,动态障碍物的起始位置为(90,50,50) m,速度为(-15,0,0) m/h。

4.2.3 被超越

动态障碍物位于无人机后方±90°夹角内,从后方接近。因此假设障碍物起始位置为(0,50,50) m。动态障碍物速度大小必须大于无人机才能超越,因此速度为(20,0,0) m/h。

4.2.4 超越

与被超越相反,超越无人机位于动态障碍物后方,它们的相对航向在±10°范围内。为了使障碍物能在无人机直线飞行达到目标点之前成功发生碰撞,假设障碍物位置为(30,50,50) m,速度为(10,0,0) m/h。

4.2.5 平面汇聚

汇聚分为从左侧汇聚和从右侧汇聚,动态障碍物分别位于无人机的左前方和右前方。假设动态障碍物位置分别为(50,10,50) m和(50,90,50) m,速度分别为(0,15,0) m/h和(0,-15,0) m/h。

4.3 实验结果

如图6~图12所示,红色圆圈为无人机起始位置,绿色圆圈为目标位置,粉色曲线为RRT算法生成的路径,绿色曲线为RRT算法运算过程中生成的随机树中除了最终路径以外的枝路即RRT算法的计算过程,蓝色球体为初始位置时的动态障碍物,蓝色直线为动态障碍物的速度矢量,红色球体为作为干扰的静态障碍物。

如表7所示,在所有冲突方式的避障场景中,RRT算法都成功地让无人机在巡航时避开了动态障碍物并且没有受到静态障碍物的干扰,成功率极高。由搜索耗时可以得出本次仿真的平均搜索耗时为0.163 2 s,相比静态障碍物搜索时间有所增加,但是仍具有较好的实时性。并且每次的搜索耗时之间相差较小,证明算法具有较强的稳定性。RRT算法针对动态障碍物的避障能力较强。

5 结论

(1)将来自不同传感器的信息进行整合,以获得更准确、更具鲁棒性的感知识别结果:针对城市复杂环境,没有任何单一传感器能满足所有需求。将视觉、毫米波雷达、激光雷达进行多传感器融合,利用各自优势互补短板,是实现鲁棒、准确、全天候环境感知和速度感知的途径。采用多个传感器,可以充分利用不同传感器的互补优势。在理想状态下,将视觉传感器、毫米波雷达和激光雷达联用可以实现最准确的探测,但是考虑到成本和算力,可采用视觉传感器和毫米波雷达的组合。

(2)针对不同的障碍物情景采用不同的路径规划算法:在面对建筑物等静态障碍物时,利用先验的城市地图进行初步路径规划,采用A*算法获得最优的主航线。虽然没有选取典型的局部路径规划算法进行分析,但是仍可在局部层面面对动态障碍物时实时进行避障调整。无人机在飞行过程中,使用RRT进行快速的动态避障规划。每当传感器检测到新障碍物或环境发生变化,即障碍物空间发生变化时,使用RRT算法根据新的地图重新生成路径。RRT由于其快速扩展特性,可快速生成路径,虽然路径质量较差,但是满足保证飞行时的安全要求。

(3)并未考虑之后无人机对生成的路径进行路径跟踪。可设想在之后针对生成的路径使用其他仿真模型对无人机本身及其飞行的运动过程进行仿真。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	徐威峰. 无人机自主避障路径规划研究[D]. 长春: 吉林建筑大学, 2024.

[2]	Xu Weifeng. Research on path planning of autonomous obstacle avoidance for UAV[D]. Changchun: Jilin Jianzhu University, 2024.

[3]	江波, 胡潇瀚, 郑远, 等. 基于强化学习的局部高密度无人机避撞决策[J]. 科学技术与工程, 2025, 25(30): 13167-13178.

[4]	Jiang Bo, Hu Xiaohan, Zheng Yuan, et al. Local high-density UAV collision avoidance decision based on reinforcement learning[J]. Science Technology and Engineering, 2025, 25(30): 13167-13178.

[5]	陈新洲. 无人机在复杂环境中的自主避障策略研究[D]. 北京: 华北电力大学(北京), 2024.

[6]	Chen Xinzhou. Research on autonomous obstacle avoidance strategy of unmanned aerial vehicles in complex environments[D]. Beijing: North China Electric Power University, 2024.

[7]	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.

[8]	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.

[9]	李亚飞, 赵瑞. 城市复杂环境下多目标无人机路径规划研究[J]. 南京航空航天大学学报, 2024, 56(6): 1002-1012.

[10]	Li Yafei, Zhao Rui. Research on multi-target UAV path planning in urban complex environments[J]. Journal of Nanjing University of Aeronautics & Astronautics, 2024, 56(6): 1002-1012.

[11]	李安醍, 李诚龙, 郑远. 感知系统受限下的城市低空无人机避障算法[J]. 电子科技大学学报, 2025, 54(2): 257-265.

[12]	Li Anti, Li Chenglong, Zheng Yuan. Collision avoidance algorithm for urban low-altitude UAV with limited sense system[J]. Journal of University of Electronic Science and Technology of China, 2025, 54(2): 257-265.

[13]	卢成阳. 城市低空环境下物流无人机的航迹规划及避障控制研究[D]. 长沙: 湖南大学, 2022.

[14]	Lu Chengyang. Research on trajectory planning and obstacle avoidance control of logistics UAV in urban low altitude environment[D]. Changsha: Hunan University, 2022.

[15]	邓江红. 基于深度强化学习的无人机避障路径规划方法研究[D]. 廊坊: 北华航天工业学院, 2024.

[16]	Deng Jianghong. Research on UAV obstacle avoidance path planning method based on deep reinforcement learning[D]. Langfang: North China Institute of Aerospace Engineering, 2024.

[17]	Boulares M, Fehri A, Jemni M. UAV path planning algorithm based on deep Q-learning to search for a floating lost target in the ocean[J]. Robotics and Autonomous Systems, 2024, 179: 104730.

[18]	Carvalho K B D, Batista H D O B, Fagundes-Junior L A, et al. Q-learning global path planning for UAV navigation with pondered priorities[J]. Intelligent Systems with Applications, 2025, 25: 200485.

[19]	Salehi E D, Fazli M A. Late acceptance hill climbing based algorithm for unmanned aerial vehicles (UAV) path planning problem[J]. Applied Soft Computing, 2025, 170: 112651.

[20]	Delamer J A, Watanabe Y, Chanel C P C. Safe path planning for UAV urban operation under GNSS signal occlusion risk[J]. Robotics and Autonomous Systems, 2021, 142: 103800.

[21]	Gouda K C, Thakur R. Energy-efficient clustering and path planning for UAV-assisted D2D cellular networks[J]. Ad Hoc Networks, 2025, 170: 103757.

[22]	Debnath D, Vanegas F, Sandino J, et al. A review of UAV path-planning algorithms and obstacle avoidance methods for remote sensing applications[J]. Remote Sensing, 2024, 16(21): 4019.

[23]	Zammit C, van Kampen E J. Comparison between A* and RRT algorithms for UAV path planning[C]// 2018 AIAA Guidance, Navigation, and Control Conference. Kissimmee, FL: AIAA, 2018: 2018-1846.

[24]	陈明强, 周子杨, 张勇, 等. 基于改进RRT*算法的无人机三维航迹规划[J]. 兵器装备工程学报, 2025, 46(4): 192-199, 234.

[25]	Chen Mingqiang, Zhou Ziyang, Zhang Yong, et al. Three-dimensional path planning of UAV based on improved RRT* algorithm[J]. Journal of Ordnance Equipment Engineering, 2025, 46(4): 192-199, 234.

[26]	Hoekstra J M, Ellerbroek J, Sunil E, et al. Geovectoring: reducing traffic complexity to increase the capacity of UAV airspace[C]// International Conference for Research in Air Transportation (ICRAT) 2018. Barcelona: ICRAT, 2018: 10-17.

[27]	刘春玲, 裴萌韶. 基于冲突避让的多智能体有效旁路规划[J]. 计算机应用研究, 2025, 42(7): 2103-2108.

[28]	Liu Chunling, Pei Mengshao. Multi-agent bypass planning based on conflict avoidance[J]. Application Research of Computers, 2025, 42(7): 2103-2108.

基金资助

国家自然科学基金(6240011305)

中央高校基本科研业务费项目(3122024QD17)

天津市自然科学基金多元投入智慧民航项目(24JCZDJC00090)

天津市城市空中交通系统技术与装备重点实验室开放课题基金(TJKL-UAM-202403)

石家庄市垂直起降固定翼无人机智能研究重点实验室开放课题(KF2024-2)

云南省无人自主系统重点实验室2025年度开放课题(202501YB02)

2025年警用智能机器人达州市重点实验室开放课题(JYZJ202512)

PDF (5443KB)

访问

被引

详细

导航

Received	Published	Revised
2025-08-06	2026-07-28	2026-01-14
Online Date
2026-08-14

摘要