無人機航跡規劃算法研究

陳香敏 李迪 徐玉棚

摘要： 航跡規劃技術是無人機提高打擊效果，實現各種戰術應用的重要途徑。在復雜的戰場環境中，精湛的無人機作戰戰術已經成為作戰方取得最后勝利的重要保證，而航跡規劃技術對于無人機提高其生存概率及其作戰效能具有十分重要的作用。

關鍵詞： 無人機;航跡規劃;算法研究

中圖分類號： V279?? ?文獻標識碼： A?? ?文章編號： 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

為了更好的適應當代戰爭的局勢，以及滿足各式各樣的作戰任務，戰爭武器的升級成為各國軍方奮斗的目標，因此，智能化、自主化、高殺傷力的戰爭武器應運而生，無人機便是這些新型作戰武器的典型代表。近年來，國內外學者已提出許多不同的航跡規劃的方法，對于航跡規劃算法的分類大概可以分為基于進化計算的規劃方法如遺傳算法、粒子群算法等，基于啟發式搜索的規劃方法如A*算法和D*Lite算法等，基于概略圖的規劃方法如Voronoi算法通視圖法等，基于單元分解的規劃方法和人工勢場法。

2 航跡規劃算法

2.1 傳統航跡規劃算法。傳統的航跡規劃算法通常包括動態規劃算法、人工勢場法、模糊邏輯算法等。

（1）動態規劃算法。該方法一般被廣泛應用于解決多級決策最優化問題。使用該方法時，首先，構建的的航路圖被分成各級的連接，并且每一級的航跡代價由給定的評價函數分別給出，然后遵循一定的決策規則分為各個階段尋找各自最優的航路。

（2）人工勢場法。人工勢場法是將物體的運動過程看作是兩種力的作用結果：一種是吸引力，它把目標點當作吸引場，將無人機拉向目標點;另一種是排斥力，它將威脅和障礙物看做排斥場，使運動物體遠離障礙物或威脅源。兩者的的綜合作用便會產生一定的勢場及合力，無人機通過沿著該合力方向執行飛行任務，產生的航跡便是無人機的航跡。該方法簡單直觀，規劃時間短，速度快，規劃出來的路徑一般比較安全。

（3）模糊邏輯算法。該方法的靈感來源于模仿駕駛員的駕駛經驗，把生理上的感知與動作充分結合起來，然后，依據實時的傳感器提供的信息，將其通過查表進而得到規劃信息。該算法不但與人類的一般思維習慣相契合，同時，還可以將數學模型省略掉。

2.2 啟發式算法?？紤]到規劃環境中存在的啟發因素，啟發式算法被提出。該算法能夠按照啟示找到解決問題的最優解或者可行的近似最優解。該類算法由于具備智能搜索功能，因此求解搜索問題的效率較高。

（1） A*算法是一種啟發式搜索算法，將規劃空間劃分為網格的形式，從起始點所在的網格向相鄰網格不斷擴展，對于每一個拓展搜索節點的代價值進行評估，采用啟發函數比較各個拓展節點的代價值大小，從而選擇出代價值最小的點加以拓展，直到到達目標節點所在的位置。傳統A*算法不但魯棒性較好好，而且拓展節點相對比較少，因此該算法可以對環境信息可以快速做出反應。其缺點是忽略了無人機自身的體積而帶來的節點限制。因此，該方法需要做出相應的改進。稀疏A*算法（SAS），以及自適應A*算法均是A*算法的改進算法。

（2）Dijkstra算法。Dijkstra算法是圖論中生成最短路徑問題的特別典型的算法。它以擴展到終點為目標，層層向著中心拓展。該算法不但可以將起點到終點的最短路徑求出，同時還可以求出起點與其他中間點的最短路徑。然而該算法遍歷節點較多，運用大型復雜路徑拓撲網絡時效率較低。focussed D*，D* Lite等都是對D*算法的優化。

2.3 智能仿生學算法。智能算法的產生源于自然界的啟示，從近年來的工程研究結論來看，智能算法以其運算簡易性和滿足無人機實時性要求等優點被廣泛的應用在無人機航跡規劃問題研究中。經常用到的有蟻群算法、神經網絡算法、模擬退火算法等。

蟻群算法。科學家通過螞蟻搜索食物的過程得到啟發而產生的一種隨機搜索尋優方法。該過程包含兩個基本階段：適應階段和協作階段。在適應階段時，各個候選解通過不停的累積信息從而能夠達到調整自身的目的;在協作階段時，各個候選解之間通過信息數據的充分交流，從而最終產生較優的解。蟻群算法通用性好，具有很強的并行性，但是算法中的參數設定具有一定的偶然性，缺乏理論指導。

神經網絡算法。神經網絡方法定義了一種“能量函數”，通過不斷調整神經網絡中的各種加權系數，使網絡在達到穩定時能量最小，這特殊的非線性動態結構很適合解決各種優化問題。在航跡規劃中運用神經網絡方法的關鍵是神經網絡的設計。神經網絡方法具有高度的規劃均衡性和可控性，但神經網絡算法依賴初始條件，容易陷入局部極小，計算量太大。

模擬退火算法（SA）。該算法的啟示來自固體退火的過程中溫度下降時分子自由有序的運動現象。該算法將退火過程中的溫度參數作為算法接受惡化解條件的控制參數，與概率突跳特性相結合，進而求出目標函數的全局最優解。模擬退火算法是一種 具備可導性和連續性的假設的智能算法。

參考文獻：

[1]李季， 孫秀霞， 馬強. 無人機對空威脅算法與仿真[J]. 系統仿真學報， 2008， 20（16）： 4237-4240.

[2]李士波， 孫秀霞， 王棟， 等. 無人機動態環境實時航跡規劃[J]. 系統工程與電子技術， 2007， 29（3）： 399-401.

[3]李春華， 周成平， 丁明躍， 等. 動態環境中的飛行器實時三維航跡規劃方法研究[J]. 宇航學報， 2003， 24（1）： 38-42.