带有路径规划功能的无人船控制系统【附代码】

✅博主简介：本人擅长建模仿真、数据分析、论文写作与指导，项目与课题经验交流。项目合作可私信或扫描文章底部二维码。

---

随着小型自主航行无人船技术的不断进步，它们逐渐被应用于多种领域，如水质监测、水文测量、海洋调查和水面清洁等。这些无人船具备体积小、灵活性强、自动化程度高的优势，在执行任务时能够搭载各种传感器或执行装置，实现高效、安全、精准的作业。无人船的自主航行和任务完成，依赖于其路径规划能力，特别是在复杂的水域环境下，如何保证无人船能够准确避障并到达目的地，是技术研发的关键挑战之一。基于此，本文设计了一套带有路径规划功能的无人船控制系统，涵盖了硬件平台的选择、全局路径规划、局部避障策略以及软件系统的实现。

一、硬件系统设计

1. 嵌入式硬件平台选择

无人船控制系统的设计首先需要考虑硬件平台的选型。基于嵌入式系统的小型化、低功耗、低成本和高性能等特点，本文选择STM32F103作为无人船控制系统的核心开发平台。这款微控制器具备丰富的外设接口，如GPIO、UART、SPI和I2C等，可以连接多种传感器及控制模块。此外，STM32F103具备较高的运算速度，能够应对复杂的路径规划算法和传感器数据处理需求。

2. 传感器模块配置

为了实现无人船的路径规划和避障功能，硬件系统中选用了多种传感器模块。其中，激光雷达用于实时扫描周围的环境，生成水面障碍物的地图信息；GPS模块负责无人船的定位，确保其能够获取实时位置数据；摄像头模块则用于辅助导航和障碍物识别，提供视觉数据；红外传感器则在短距离内提供精准的障碍物检测信息。所有这些传感器的信号都被整合到STM32F103中，形成无人船的实时感知系统。

3. 电源系统与通信模块

无人船的持续航行需要稳定的电源系统支持，因此选用了高效的电源管理模块，确保各个传感器和控制器能够长期稳定运行。为了保证无人船与远程控制端的通信，系统设计中加入了基于MQTT（消息队列遥测传输）协议的通信模块，能够实现高效的数据传输与远程控制。该通信模块的特点是低带宽占用和实时性高，适合无人船这种低功耗、低延迟的应用场景。

二、全局路径规划

无人船的全局路径规划旨在保证船只能够从指定的起点出发，安全有效地到达目标点，并避免与静态障碍物碰撞。在水面环境复杂且多变的情况下，传统的路径规划方法往往难以应对。因此，本文提出了一种基于深度Q学习（DQN）的全局路径规划算法，通过卷积神经网络（CNN）和强化学习的结合，来实现路径的最优化。

1. 网络结构与路径优化

基于DQN的全局路径规划算法核心思想是通过神经网络模型建立状态-动作值函数。无人船的当前位置和环境感知数据（如GPS坐标和雷达扫描数据）作为输入，通过卷积神经网络进行处理，输出不同动作的价值评估。系统通过强化学习的反馈机制，不断调整路径选择，优化回报函数，最终生成最优路径。整个学习过程通过不断的环境交互来优化路径选择，逐步学会在复杂环境中规避静态障碍物，并选择最优的航行路线。

2. 算法特点与优点

该算法的优势在于其能够处理复杂多变的水域环境，并通过学习机制自动调整路径。在大量训练后，无人船能够自主应对新的任务环境，并有效规避障碍物。此外，DQN算法利用反馈学习的特性，能够在不依赖预设规则的情况下，自主生成最优路径，极大提高了系统的灵活性和适应性。

三、局部避障路径规划

尽管全局路径规划能够为无人船提供整体的航行路径，但是水面上动态变化的障碍物（如漂浮物、船只等）无法提前预知。因此，局部避障路径规划在无人船自主航行过程中扮演了关键角色。为了确保无人船能够在接近障碍物时迅速做出反应并选择最优避障路径，本文提出了一种基于A*算法的局部避障策略。

1. A*算法的应用

A算法是一种广泛应用于路径规划的启发式搜索算法，其特点是能够在保证路径最短的同时，快速找到目标点。在本文的无人船控制系统中，A算法被应用于局部避障路径规划，通过实时计算当前环境下的最优路径，并使无人船能够在检测到动态障碍物时迅速做出反应。

2. 避障策略与性能优化

在具体实现中，激光雷达和红外传感器负责提供无人船周围的障碍物信息。A*算法根据这些传感器提供的数据，实时调整航行路径，确保无人船能够绕过动态障碍物并继续朝向目标点航行。为了提高算法的实时性，系统通过对搜索空间的限制，减少了计算量，同时引入了多线程技术，使得避障策略能够在毫秒级时间内响应。实验表明，该避障算法不仅能够有效处理动态障碍物，而且在性能上也达到了预期目标，能够快速、安全地规避风险。

四、软件系统设计与实现

1. 上位机软件设计

上位机软件是整个无人船控制系统的指挥中心，负责任务管理、路径规划和数据监控。本文采用了Python和QT框架进行上位机软件的开发。该软件具备图形化的用户界面，允许用户实时查看无人船的位置、航行路径和障碍物信息。

上位机软件的主要功能包括地图构建、全局路径规划、局部避障监控和任务状态显示。通过MQTT协议，无人船的实时位置信息、传感器数据和状态信息都能够传输到上位机界面上，用户可以在界面上直观地查看无人船的运行状态，并对其任务进行调整。

2. 下位机软件开发

下位机软件的核心功能是路径规划和无人船的控制。采用Keil5集成开发环境，基于C语言对STM32F103进行编程。下位机软件通过传感器采集无人船的实时状态数据，并执行上位机下达的路径规划指令。此外，下位机软件还包括船体姿态控制、电机驱动控制、障碍物检测等功能模块，确保无人船能够按照预定路径自主航行。

在路径规划模块中，下位机根据上位机提供的全局路径规划结果，结合自身传感器的实时数据，执行局部避障策略，确保无人船能够安全避障并完成任务。在通信模块中，MQTT协议用于实现上位机与下位机之间的双向通信，保障信息的实时传递。

import numpy as np
import matplotlib.pyplot as plt
from queue import PriorityQueue

# A*算法实现
def a_star(grid, start, goal):
    rows, cols = grid.shape
    open_set = PriorityQueue()
    open_set.put((0, start))
    came_from = {}
    g_score = {start: 0}
    f_score = {start: np.linalg.norm(np.array(start) - np.array(goal))}
    
    while not open_set.empty():
        current = open_set.get()[1]
        
        if current == goal:
            return reconstruct_path(came_from, current)
        
        neighbors = get_neighbors(current, rows, cols)
        
        for neighbor in neighbors:
            tentative_g_score = g_score[current] + np.linalg.norm(np.array(current) - np.array(neighbor))
            if neighbor not in g_score or tentative_g_score < g_score[neighbor]:
                came_from[neighbor] = current
                g_score[neighbor] = tentative_g_score
                f_score[neighbor] = g_score[neighbor] + np.linalg.norm(np.array(neighbor) - np.array(goal))
                open_set.put((f_score[neighbor], neighbor))
                
    return None

# 获取邻居节点
def get_neighbors(node, rows, cols):
    neighbors = []
    for dx, dy in [(-1, 0), (1, 0), (0, -1), (0, 1)]:
        x, y = node[0] + dx, node[1] + dy
        if 0 <= x < rows and 0 <= y < cols:
            neighbors.append((x, y))
    return neighbors

# 重构路径
def reconstruct_path(came_from, current):
    path = []
    while current in came_from:
        path.append(current)
        current = came_from[current]
    path.reverse()
    return path

# 测试A*算法
grid = np.zeros((10, 10))
start = (0, 0)
goal = (7, 7)
path = a_star(grid, start, goal)

# 绘制路径
if path:
    x_coords, y_coords = zip(*path)
    plt.plot(x_coords, y_coords, marker='o')
    plt.show()
else:
    print("未找到路径")