标题：Overview of Research on 3D Path Planning Methods for Rotor UAV
作者：Zheng Yu，Fuchun Sun，Xiao Lu，Yixu Song
来源：2021 International Conference on Electronics, Circuits and Information Engineering (ECIE)
编 辑：顾家旭
审 核：刘鹏飞
论文链接：
https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9403694
一、摘要
随着无人机技术的不断发展，适用于无人机的自主路径规划方法也在不断发展。在复杂的环境中，无人机不仅需要考虑动态和时间约束，而且要找到最佳的无碰撞路径。虽然许多研究者已经对无人机路径规划进行了研究，但是对于三维复杂未知环境下的无人机路径规划缺乏全面的研究和直观的展示。这是一种适用于三维环境中无人机的轨迹优化方法，对它们进行分类并对每一类进行比较，分析这些方法的优缺点。
二、路径搜索算法
A.基于启发式的路径搜索算法
基于启发式的路径搜索算法主要包括Dijkstra算法、A*算法、Lifetime plan A*（LPA）、D*-Lite、Theta*、Lazy Theta*和dynamic A*（D*）算法。它构造自己的成本评价函数，通过最小成本点找到最优路径。动态A*（D*）最早由斯坦茨提出。它是一种基于传感器的算法，可以改变其边缘的权重以形成时间图。三维场景中的A*算法有许多优化和改进，包括增加搜索空间和改善路径平滑度。2019年，通过可变步长搜索和新设计的可变权重路径评估函数进行三维路径规划。
B.基于样本的搜索算法
基于样本的搜索算法主要包括PRM和RRT。与其他算法相比，RRT的优点在于它可以有效地考虑算法中的非完整约束，避免考虑复杂的运动学约束，简化路径规划问题。Yang提出了一种使用RRT的无冲突路径，但RRT没有能力重新规划计划和优化。因此，已提出改进版本（如RRT*、DDRRT和RRG）来解决此问题。kino dynamic RRT*改变了转向功能，以适应约束导航。anytime-RRT*随时更新当前轨迹。informed-RRT*提高了收敛速度。PRM将连续空间转换为离散空间。
C.势场法
人工势场法通过障碍物的斥力场和目标位置的引力场形成虚拟人工势场，然后搜索势函数的向下方向，从而找到无碰撞的最优路径。但当多个障碍物同时出现在势场空间时，很容易陷入局部极小值。为了避开障碍物，在传统人工势场法的基础上对势场法进行了改进，Chen设置了航路点使飞机避开障碍物。Tian在相对位置引力场和排斥场函数中设置目标和障碍物的速度矢量。
图1 无人机路径规划。
三、无人机轨迹优化算法
A.最小轨道优化
最小轨迹优化只保证生成的轨迹平滑、动力学可行，但对轨迹本身没有限制，适用于两点间的无障碍飞行。Mellinger提出了一种算法，该算法能够通过一系列三维位置和偏航角实时生成最佳轨迹，同时确保安全通过指定走廊，并满足速度、加速度和输入的约束。非线性控制器确保这些轨迹的跟踪效果。
B.约束优化
增加飞行安全的安全约束。主要分为两类，增加边界值的硬约束和增加约束力的软约束。硬约束方法认为所有安全区域都是等效的。Chen使用自由空间飞行走廊来约束相应网格点之间的轨迹。Gao用贝塞尔多项式替换了之前的多项式，并使用矩阵表示映射关系。硬约束的缺点是轨迹的某些部分将接近障碍物。如果控制部件不能完全跟随轨迹，将导致碰撞。软约束方法是应用“推力”将轨迹推离障碍物。
四、新的无人机路径规划
硬约束方法可以保证全局最优轨迹，但在自由空间容易接近障碍物，动态约束过于保守，飞行速度较慢。软约束方法利用梯度信息将轨迹推离障碍物，但存在局部极小值，不能保证成功率和运动学可行性。新方法结合了两者的优点。Zhou使用了一种基于动态的混合A*搜索算法，以最短的安全可行时间找到初始轨迹，并利用B样条曲线的凸包特性提高了搜索效率，调整时间分布，将轨迹表示为不均匀的B样条曲线。周使用PGO（路径引导优化）方法解决了基于梯度的轨迹优化中无人机陷入局部极小的问题。论文设计了一个框架，不仅包括多个拓扑路径的路径引导优化方法，还引入了一种感知规划策略，以主动观察和避免未知障碍风险。
五、结果
近年来提出了许多无人机三维路径规划算法。本文列出了近几年来所报道的几乎所有工作中综合的每一类算法，表1详细分析了每一类方法的优缺点。
表1 路径规划算法比较。
六、 结论
下面将对每个类别进行总结。基于采样的算法必须首先对环境信息进行采样。生成的路径是随机的，不能保证最优，但其结构简单，可以避免复杂的运动约束。启发式搜索可以直接找到全局最优路径，但节点计算量大，实时性差，不适合动态轨迹规划。生物启发算法可以处理复杂的非结构化约束以及其他NP问题。这种算法通过变异优化路径，但变异过程需要较长的迭代时间。势场法实时性好，但容易陷入局部极小值。基于融合算法可以弥补了单一算法的不足，但增加了计算量，且融合后的实际效果不如理论效果好。最小轨迹优化可以保证轨迹的平滑性和动态的可行性，但不能避开障碍物。硬约束优化通过凸公式保证全局最优。硬约束的缺点是轨迹的某些部分将接近障碍物。软约束优化可以使轨迹远离障碍物，但不能忽略局部极小值和运动学可行下限。新的航迹规划提高了计算效率和收敛速度，保证了无人机的高速飞行。未来，无人机将广泛应用于军事领域。在未知和复杂的环境中，它们不仅可以深入感知周围环境信息，同时在日益成熟的路径规划算法下实现安全快速的飞行。
加油科研人
联系客服
