空地协同路径规划算法毕业论文【附代码+数据】

✅博主简介：本人擅长数据处理、建模仿真、论文写作与指导，科研项目与课题交流。项目合作可私信或扫描文章底部二维码。

---

(1) 空地协同感知系统的构建与改进的ORB-SLAM3算法研究

在无人机与无人车协同感知系统中，无人机与无人车各自承担不同的感知任务。无人机由于其飞行高度和灵活性，能够快速覆盖广阔区域，进行地图构建与环境感知。然而，现有的无人机感知算法，尤其是基于图像的ORB-SLAM算法，在构建地图时往往存在地图稀疏、颜色单一等问题。为了解决这一问题，本文对ORB-SLAM3进行了多方面的改进，提升其在复杂环境下的表现。

首先，针对无人机在户外场景中图像深度信息不足的问题，本文引入了深度计算模块。深度信息的缺失常常导致建图不准确，尤其是在高空拍摄时，目标物体的距离难以精确测量。通过深度计算模块的加入，无人机能够在双目摄像头的基础上获取更精确的深度信息，从而提升地图构建的精度。其次，本文在ORB-SLAM3中引入了新的特征点提取模块。无人机拍摄的图像通常受到光照、环境复杂度等因素的影响，导致提取的特征点数量有限，构建出的地图往往缺乏足够的细节。因此，本文使用了更多样化的特征点提取方法，特别是在彩色图像的处理上，增加了彩色特征点的提取能力，使得构建的地图更加丰富多彩。最后，本文加入了稠密地图构建模块，通过对稀疏点云的稠密化处理，显著提升了地图的点云密度。这一改进不仅使得地图的细节更加丰富，还大幅提升了地图的可视化效果。

通过这些改进，本文提出的算法在公开数据集上的测试结果表明，改进后的ORB-SLAM3在仅使用双目图像输入的条件下，能够构建出更加稠密且色彩丰富的地图点云。与原始算法相比，地图点云数量增加了9.46倍。这一结果展示了改进后算法在地图构建上的显著优势，为后续的路径规划奠定了坚实的基础。

(2) 无人机辅助无人车的路径规划策略研究

无人机在感知任务中的优势在于其视角广阔，可以快速构建区域地图。然而，无人机所构建的地图并不能直接应用于无人车的路径规划中。因此，如何将无人机感知的数据有效地用于无人车的路径规划，是空地协同系统中的关键问题。本文提出了一种基于无人机构建地图的路径规划策略，旨在解决这一问题，并使得规划出的路径更加符合无人车的行驶需求。

首先，本文对无人机构建的稠密点云进行了预处理。无人机构建的点云数据量大，往往包含大量冗余数据，直接用于路径规划会导致计算复杂度增加。因此，本文设计了一套点云数据的预处理流程，去除冗余数据，使点云更为简洁。预处理完成后，点云数据被转换为八叉树地图。八叉树结构能够高效地存储和检索三维空间信息，有助于进一步处理复杂的三维地图。接下来，本文将八叉树地图转换为二维栅格地图，这是因为大多数无人车的路径规划算法基于二维平面路径。二维栅格地图更符合无人车的行进方式，有助于提高路径规划的精度。

在路径规划方面，本文采用了经典的A算法和TEB（Time Elastic Band）算法进行路径规划。A算法是一种常用的启发式搜索算法，能够为无人车找到从当前位置到目标位置的最优路径。而TEB算法则能够在实际行驶中考虑无人车的动态特性，使路径更加平滑和可行。实验表明，基于无人机构建的点云地图进行的路径规划，能够显著提升无人车的路径准确性。由于本文策略并不依赖于无人机的定位信息，而是直接利用无人机生成的地图进行规划，因此所规划的路径更加适应无人车的实际行进需求，避免了坐标转换过程中可能出现的误差。

(3) 无人车地图重构及改进LOAM算法的研究

尽管无人机能够快速构建大范围的地图，但在一些特殊场景下，初步构建的点云地图往往较为杂乱，难以满足实际应用需求。这种情况下，需要无人车再次进行地图构建，以提高地图的精度和可用性。无人车相比无人机，能够更加贴近地面，提供更为精确的环境感知能力，尤其是当无人车配备了激光雷达等高精度传感器时，构建出的地图将更加细致。因此，本文针对无人车的地图构建需求，对LOAM（Lidar Odometry And Mapping）算法进行了改进。

LOAM算法是一种常用于激光雷达建图的经典算法，能够利用激光点云数据进行高精度的地图构建。然而，LOAM算法的一个局限性在于其构建出的地图色彩单一，缺乏视觉上的丰富信息。为了解决这一问题，本文提出了一种将色彩信息投影至激光点云上的方法。具体而言，本文通过同步图像与激光点云数据，计算相机坐标系与激光雷达坐标系之间的相对位姿关系，将彩色图像中的色彩信息赋予激光点云。通过这种方法，构建出的点云不仅包含精确的几何信息，还具备丰富的色彩信息，使得地图更加直观。

在改进的LOAM算法基础上，本文使用公开数据集进行了实验。实验结果表明，改进后的LOAM算法在保留激光点云几何精度的同时，能够有效减少点云的数量，减少了约16%的冗余数据。而通过将色彩信息投影到点云上，构建出的地图在视觉上更加清晰，点云数量虽有所减少，但地图质量得到了显著提升。这一结果验证了本文方法在特殊场景下的实用性，为空地协同感知系统提供了更高精度的地图构建能力。

(4) 空地协同系统的实验验证与应用

为了验证本文提出的空地协同感知系统及其路径规划策略的有效性，本文在校园内进行了实地实验。实验中，无人机首先进行了初步的地图构建，并通过改进后的ORB-SLAM3算法，生成了稠密的点云地图。实验结果表明，无人机构建出的地图点云数量比原始算法构建的地图增加了约10.15倍，这证明了稠密地图构建模块在提高地图细节上的显著效果。

接下来，本文使用无人机构建的地图进行了路径规划。通过本文提出的路径规划策略，无人车能够成功根据无人机生成的地图规划出从当前所在位置到目标位置的路径。实验中，A*和TEB算法的结合有效保证了路径的平滑性与可行性，使得无人车能够在实际场景中顺利完成任务。

此外，针对特殊场景中无人机构建的地图点云杂乱的问题，本文还进行了无人车的地图重构实验。无人车利用改进后的LOAM算法重新构建了环境地图，并通过同步图像和激光雷达数据，使得点云地图不仅具备高精度的几何信息，还包含了丰富的色彩信息。实验结果显示，经过重构后的点云地图点云数量降低了约13.37%，但地图的整体质量和精度得到了大幅提升。这一实验结果进一步验证了空地协同感知系统在复杂环境下的应用潜力。

% MATLAB代码用于模拟无人车与无人机协同路径规划
% 该代码随机生成二维栅格地图并进行路径规划

% 生成随机栅格地图
grid_size = 100; % 地图大小
map = ones(grid_size); % 初始化地图
obstacles = randi([1, grid_size], 50, 2); % 随机生成障碍物
for i = 1:size(obstacles, 1)
    map(obstacles(i,1), obstacles(i,2)) = 0; % 设置障碍物
end

% 起始点和目标点
start = [1, 1]; 
goal = [grid_size, grid_size];

% A*算法路径规划
path = Astar(map, start, goal);

% 显示结果
figure;
imshow(map, 'InitialMagnification', 'fit'); hold on;
plot(path(:,2), path(:,1), 'r', 'LineWidth', 2);
title('Path Planning using A* Algorithm');
hold off;

% A*算法实现函数
function path = Astar(map, start, goal)
    % A*路径规划算法的实现
    % 输入：栅格地图、起点、终点
    % 输出：路径坐标
    % 这里省略具体实现细节，模拟核心流程
    % 返回的路径为随机生成的点序列，用于测试
    path = [linspace(start(1), goal(1), 100)', linspace(start(2), goal(2), 100)'];
end