【路径规划】基于RRT算法和改进人工势场法的无人机任务规划方法研究（Python代码实现）

科研_G.E.M.

于 2025-03-02 12:37:06 发布

阅读量1.2k

点赞数 30

文章标签：算法无人机 python

本文链接：https://blog.csdn.net/qq_46009436/article/details/145961680

版权

👨‍🎓个人主页

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

一、RRT算法的基本原理及在无人机路径规划中的应用

1. RRT算法的核心思想

2. RRT算法的优势与改进方向

3. 无人机应用案例

二、人工势场法的基本原理及其改进

1. 基本理论

2. 传统方法的局限性

3. 改进策略

4. 应用实例

三、RRT与改进人工势场法的混合算法设计

1. 混合算法的必要性

2. 典型混合方案

3. 混合算法案例

四、无人机任务规划的关键需求与挑战

1. 核心需求

2. 挑战与解决方案

五、性能评估指标

1. 主要指标

2. 实验对比

六、未来研究方向

总结

📚2 运行结果

🎉3 参考文献

🌈4 Python代码实现

💥1 概述

文献来源1：

摘要：无人机系统向着智能化、自主化的方向发展。任务规划是无人机自主控制的重要组成部分。本文对无人机任务规划中的航迹规划和任务分配问题进行了研究。针对三维静态威胁环境下的无人机航迹规划问题，提出了两种改进蚁群算法。多重启发蚁群算法综合考虑无人机当前位置、待选位置以及目标位置三者之间的距离和威胁分布，并将这些先验知识构造为蚂蚁的多重启发信息，指引蚂蚁的路径搜索，证明了该算法的全局收敛性。同时提出了一种将人工势场法与蚁群算法相结合的人工势场蚁群算法，能够按照节点位置的势场力分布，进行确定性选择和概率性选择相结合的蚂蚁状态转移。试验结果表明两种改进算法能够获得优于单一的人工势场法和蚁群算法的规划结果，有效地缩短航迹规划时间，提高规划精度，得到最优的飞行航迹。提出了一种改进混合粒子群算法，在标准粒子群算法之中融入Boids鸟群模型的避撞机制，用以摆脱局部极小点的束缚，利用Powell算法对全局极值进行局部搜索。对改进混合粒子群算法的收敛性进行了证明。仿真结果表明该算法能够改善标准粒子群算法局部搜索能差和早熟收敛的不足。针对多无人机协同航迹规划问题，提出了一种威胁启发粒子群算法，将任务环境中的威胁信息，构造为粒子速度更新公式的一部分，用以指引粒子向着远离威胁区域的方向移动。建立了同时考虑时域协同和空域协同的多无人机协同航迹规划数学模型。采用两阶段的协同规划框架，首先利用k-均值聚类方法对粒子群进行聚类，得到每架无人机的多条待选航迹，然后再通过协同变量和协同函数处理协同约束。通过仿真试验验证了所提方法的有效性和先进性。研究了快速扩展随机树算法（Rapid-exploring Random Tree, RRT）的参数设置对算法性能的影响，提出了RRT算法参数选取的指导原则。在此基础上，提出了利用混沌序列生成随机节点，利用模糊推理系统动态调整算法参数的改进RRT算法。针对突发威胁环境下的航迹重规划问题，提出了一种改进双边RRT算法。在出现突发威胁后，对原有随机树进行节点删减，保留未受到影响的残余随机树，再根据无人机的当前位置，进行双边RRT随机树生长，同时设计了一种航迹修剪方法，用于去除冗余航点，并采用贝塞尔曲线进行航迹平滑。针对未知环境中的航迹规划问题，提出了滚动RRT算法，每次只生成探测范围内的局部航迹，无人机在按照该局部航迹飞行的同时进行下一阶段的航迹滚动优化。设计了一种滚动窗口内的随机节点选择方法，能够引导随机树较快的向着滚动窗口的边界生长。试验结果说明所提方法有效地能够满足不确定环境下的在线航迹规划需求，得到满意的规划结果。针对多无人机协同任务分配问题，提出了一种多组群蚁群算法，设计了综合考虑无人机攻击收益、生存概率、航程代价的代价收益指标。多组群蚁群算法按照综合剩余任务能力进行蚂蚁选择，根据各个待选任务目标的状态转移概率，确定被选中蚂蚁需要添加的任务。利用2-opt算法进行进一步的局部优化。同时给出了任务需求或无人机群发生变化时的任务重分配方法。试验结果表明，多组群蚁群算法能够很好地获得满足各项约束条件的无人机任务分配方案，各架无人机的任务较为均衡，任务重分配方法具有良好的实时性，能够满足新任务的要求。设计了一款小型无人机的航迹规划系统，包括数据录入、航迹生成、飞行仿真与验证，以及航迹加载与校验等环节。以靶试需求为例，进行复杂高原地形环境下的航迹规划应用，试验结果表明该航迹规划系统能够满足实际任务需求，取得预期的效果。

文献来源2：

摘要：路径规划问题是移动机器人导航研究中的基本和关键的课题,机器人根据某一性能指标自主地搜索出一条从起始状态到目标状态的最优或次优无碰撞路径。许多路径规划算法在环境先验信息已知情况下能够良好地规划出路径,但在未知环境特别是存在各种不规则障碍的复杂环境中,很多算法很可能失去效用。随着移动机器人复杂性提高与应用范围增大,对路径规划的要求也逐渐增高,局部规划应用受到传统规划方法的制约。本文对人工势场法展开研究,分析传统人工势场的局限性,对改进人工势场法进行探讨,提出一种新的改进人工势场算法,提高局部路径规划算法的适用性与规划效率。人工势场法（Artificial potential field,APF）引入广义虚拟势场概念,构造基于目标引力与障碍斥力的势场模型,机器人在势场中根据环境势能差进行滑动,其轨迹是势场中沿势函数下降的方向曲线。本文建立移动机器人仿真模型并构造实验环境地图,完成基于传统人工势场法的路径规划算法并实现仿真验证。传统人工势场法适用于移动机器人的实时避障和局部路径规划,具有计算量小、实时性高、规划轨迹平滑等优点,但是却存在两个固有缺陷:目标不可达问题和局部极小值问题。针对障碍物与目标点过近导致的目标不可达问题,提出斥力势场函数改进模型,引入移动机器人和目标点的相对距离并增加调节因子实现势场调控,使得目标点始终为全局势场最小势能点。针对障碍物与目标点引力、斥力平衡导致的局部极小值问题,提出基于移动机器人运动范围的检测方法,利用临时子目标等多个策略逃离局部极小点,改进算法优化处理了机器人避障规划路径。引入基于采样的快速扩展随机树算法（Rapidly exploring random tree,RRT）,该算法具有概率完备性、随机采样、收敛性能好等特性。分析算法规划原理,探讨其改进策略,在改进人工势场法的基础上,提出APF-RRT算法,融合APF与RRT算法特性,使用RRT的随机采样解决APF的局部极小值问题,将APF的目标引力思想引入RRT的搜索树扩展阶段,为RRT算法的节点增长函数添加目标导向因子,降低扩展随机树的搜索复杂度从而解决RRT算法规划路径随机性大的问题。本文采样相同的仿真模型与环境地图进行多个算法的对比实验,验证结果表明APF-RRT路径规划算法良好结合了 APF与RRT算法特性并有效改善了相关缺陷,具有良好的有效性与适用性。

一、RRT算法的基本原理及在无人机路径规划中的应用

1. RRT算法的核心思想

RRT（快速扩展随机树）是一种基于随机采样的路径规划算法，适用于高维复杂环境。其核心流程包括：

随机采样：在配置空间中生成随机节点（qrand）。
最近邻搜索：从现有树中找到距离qrand最近的节点（qnear）。
增量扩展：以固定步长（Δq）从qnear向qrand方向生成新节点（qnew），并进行碰撞检测。
树结构更新：若路径无碰撞，则将qnew加入树结构。

2. RRT算法的优势与改进方向

优势：
- 无需预知障碍物几何形状，适用于非凸形障碍物环境。
- 计算效率高，适合动态环境下的实时规划。
改进方向：
- 偏向采样：如RRTGoal和RRTLimit，通过目标偏向采样提升收敛速度。
- 路径优化：RRT通过父节点重选和重新布线生成更优路径，RRT-smart引入智能采样减少冗余节点。
- 动态步长调整：根据环境复杂度自适应调整扩展步长，提升复杂障碍物下的适用性。