无人机航迹规划算法研究

陈香敏 李迪 徐玉棚

摘要： 航迹规划技术是无人机提高打击效果，实现各种战术应用的重要途径。在复杂的战场环境中，精湛的无人机作战战术已经成为作战方取得最后胜利的重要保证，而航迹规划技术对于无人机提高其生存概率及其作战效能具有十分重要的作用。

关键词： 无人机;航迹规划;算法研究

中图分类号： V279    文献标识码： A    文章编号： 1672-9129（2018）09-0093-01

Abstract：  flight path planning is an important way for uav to improve its striking effect and achieve various tactical applications. In the complex battlefield environment， excellent uav combat tactics have become an important guarantee for the final victory of the warfighter， and route planning technology plays a very important role in improving the survival probability and combat effectiveness of the uav.

Keywords： uav;Route planning;Algorithm research

1 引言

為了更好的适应当代战争的局势，以及满足各式各样的作战任务，战争武器的升级成为各国军方奋斗的目标，因此，智能化、自主化、高杀伤力的战争武器应运而生，无人机便是这些新型作战武器的典型代表。近年来，国内外学者已提出许多不同的航迹规划的方法，对于航迹规划算法的分类大概可以分为基于进化计算的规划方法如遗传算法、粒子群算法等，基于启发式搜索的规划方法如A*算法和D*Lite算法等，基于概略图的规划方法如Voronoi算法通视图法等，基于单元分解的规划方法和人工势场法。

2 航迹规划算法

2.1 传统航迹规划算法。传统的航迹规划算法通常包括动态规划算法、人工势场法、模糊逻辑算法等。

（1）动态规划算法。该方法一般被广泛应用于解决多级决策最优化问题。使用该方法时，首先，构建的的航路图被分成各级的连接，并且每一级的航迹代价由给定的评价函数分别给出，然后遵循一定的决策规则分为各个阶段寻找各自最优的航路。

（2）人工势场法。人工势场法是将物体的运动过程看作是两种力的作用结果：一种是吸引力，它把目标点当作吸引场，将无人机拉向目标点;另一种是排斥力，它将威胁和障碍物看做排斥场，使运动物体远离障碍物或威胁源。两者的的综合作用便会产生一定的势场及合力，无人机通过沿着该合力方向执行飞行任务，产生的航迹便是无人机的航迹。该方法简单直观，规划时间短，速度快，规划出来的路径一般比较安全。

（3）模糊逻辑算法。该方法的灵感来源于模仿驾驶员的驾驶经验，把生理上的感知与动作充分结合起来，然后，依据实时的传感器提供的信息，将其通过查表进而得到规划信息。该算法不但与人类的一般思维习惯相契合，同时，还可以将数学模型省略掉。

2.2 启发式算法。考虑到规划环境中存在的启发因素，启发式算法被提出。该算法能够按照启示找到解决问题的最优解或者可行的近似最优解。该类算法由于具备智能搜索功能，因此求解搜索问题的效率较高。

（1） A*算法是一种启发式搜索算法，将规划空间划分为网格的形式，从起始点所在的网格向相邻网格不断扩展，对于每一个拓展搜索节点的代价值进行评估，采用启发函数比较各个拓展节点的代价值大小，从而选择出代价值最小的点加以拓展，直到到达目标节点所在的位置。传统A*算法不但鲁棒性较好好，而且拓展节点相对比较少，因此该算法可以对环境信息可以快速做出反应。其缺点是忽略了无人机自身的体积而带来的节点限制。因此，该方法需要做出相应的改进。稀疏A*算法（SAS），以及自适应A*算法均是A*算法的改进算法。

（2）Dijkstra算法。Dijkstra算法是图论中生成最短路径问题的特别典型的算法。它以扩展到终点为目标，层层向着中心拓展。该算法不但可以将起点到终点的最短路径求出，同时还可以求出起点与其他中间点的最短路径。然而该算法遍历节点较多，运用大型复杂路径拓扑网络时效率较低。focussed D*，D* Lite等都是对D*算法的优化。

2.3 智能仿生学算法。智能算法的产生源于自然界的启示，从近年来的工程研究结论来看，智能算法以其运算简易性和满足无人机实时性要求等优点被广泛的应用在无人机航迹规划问题研究中。经常用到的有蚁群算法、神经网络算法、模拟退火算法等。

蚁群算法。科学家通过蚂蚁搜索食物的过程得到启发而产生的一种随机搜索寻优方法。该过程包含两个基本阶段：适应阶段和协作阶段。在适应阶段时，各个候选解通过不停的累积信息从而能够达到调整自身的目的;在协作阶段时，各个候选解之间通过信息数据的充分交流，从而最终产生较优的解。蚁群算法通用性好，具有很强的并行性，但是算法中的参数设定具有一定的偶然性，缺乏理论指导。

神经网络算法。神经网络方法定义了一种“能量函数”，通过不断调整神经网络中的各种加权系数，使网络在达到稳定时能量最小，这特殊的非线性动态结构很适合解决各种优化问题。在航迹规划中运用神经网络方法的关键是神经网络的设计。神经网络方法具有高度的规划均衡性和可控性，但神经网络算法依赖初始条件，容易陷入局部极小，计算量太大。

模拟退火算法（SA）。该算法的启示来自固体退火的过程中温度下降时分子自由有序的运动现象。该算法将退火过程中的温度参数作为算法接受恶化解条件的控制参数，与概率突跳特性相结合，进而求出目标函数的全局最优解。模拟退火算法是一种 具备可导性和连续性的假设的智能算法。

参考文献：

[1]李季， 孙秀霞， 马强. 无人机对空威胁算法与仿真[J]. 系统仿真学报， 2008， 20（16）： 4237-4240.

[2]李士波， 孙秀霞， 王栋， 等. 无人机动态环境实时航迹规划[J]. 系统工程与电子技术， 2007， 29（3）： 399-401.

[3]李春华， 周成平， 丁明跃， 等. 动态环境中的飞行器实时三维航迹规划方法研究[J]. 宇航学报， 2003， 24（1）： 38-42.