基于改進RRT*算法的無人機在線航跡規(guī)劃

關鍵詞：航跡規(guī)劃；ＲＲＴ*算法；模型預測控制；勢場法

中圖分類號：Ｖ２４９ 文獻標志碼：Ａ DOI：１０．１２３０５／ｊ．ｉｓｓｎ．１００１-５０６Ｘ．２０２４．１２．２４

０引言

無人機正被廣泛應用于偵察任務、搜救行動、農業(yè)服務［１３］。在執(zhí)行復雜任務時，無人機需要有一定的自主性、智能性，其中航跡規(guī)劃對提高無人機自主智能飛行能力具有重要作用。無人機航跡規(guī)劃指在滿足約束、避障等一定標準的情況下，尋找一條從初始點到目標點的飛行軌跡。航跡規(guī)劃根據(jù)規(guī)劃階段的不同劃分為局部航跡規(guī)劃和全局航跡規(guī)劃［４］。局部規(guī)劃也稱離線規(guī)劃，是指在無人機起飛前，根據(jù)已知的環(huán)境信息和任務要求，考慮飛行任務、環(huán)境條件、飛行性能等因素，預先為無人機規(guī)劃出一條從起始點到目標點的軌跡的過程。各類元啟發(fā)式算法、群體智能算法被應用于離線航跡規(guī)劃，如粒子群優(yōu)化算法［５７］、遺傳算法［８１０］、蟻群算法［１１１３］、人工蜂群算法［１４］、樽海鞘算法［１５］等。全局規(guī)劃又稱在線規(guī)劃，是在環(huán)境信息未知的情況下，根據(jù)探測設備實時偵測的環(huán)境信息進行動態(tài)航跡規(guī)劃。這種規(guī)劃方式的特點在于能夠實時應對突發(fā)情況，使無人機能夠規(guī)避威脅，確保任務的安全完成。常用算法包括Ａ*算法［１６１７］、快速擴展隨機樹（ｒａｐｉｄｌｙ-ｅｘｐｌｏｒｉｎｇｒａｎｄｏｍｔｒｅｅ，ＲＲＴ）算法［１８２０］等，其中基于采樣的ＲＲＴ 算法通過對采樣點進行碰撞檢測，避免了對空間精確建模帶來的大計算量，因此能夠快速、有效地解決復雜約束的航跡規(guī)劃問題。然而，傳統(tǒng)的ＲＲＴ 算法存在著路徑冗余點多且不平滑的局限性［２１］。

許多研究者對ＲＲＴ 算法進行了改進。其中，ＲＲＴ*算法［２２］是最成功的變體之一，ＲＲＴ*算法在ＲＲＴ 算法基礎上引入重新布線和重選父節(jié)點兩個過程以獲得局部最優(yōu)路徑，使得全局路徑趨于最優(yōu)。文獻［２３］提出雙向樣條ＲＲＴ*規(guī)劃算法，算法能夠在高度約束的空間中尋找到平滑的路徑。ＩｎｆｏｒｍｅｄＲＲＴ*算法［２４］對ＲＲＴ*的采樣區(qū)域進行優(yōu)化，在找到可行路徑后，基于所得路徑，建立橢球體采樣區(qū)域，隨后在啟發(fā)區(qū)域內采樣，提升路徑質量。然而，這種算法具有一定局限性，橢球的采樣區(qū)域可能會因為路徑成本高而過大，導致整個空間都被超橢球所包含。ＩＢＲＲＴ* 算法［２５］利用智能樣本插入啟發(fā)式算法擴展雙向樹，加快算法收斂速度。文獻［２６］提出ＲＲＴ-ＦＮ 算法，對樹的最大節(jié)點數(shù)進行限制，當節(jié)點數(shù)超過預設值時，去除無益于路徑優(yōu)化的無用節(jié)點，提升算法搜索速度。文獻［２７］、文獻［２８］將深度學習與ＲＲＴ*算法有機結合，更有效地搜索可行的路徑。

針對ＲＲＴ*算法采樣效率低、收斂速度慢，以及航跡代價大的問題，本文提出在擴展樹時利用勢場法進行采樣指導，使樹朝著目標點更有效地生長，在重選父節(jié)點及重新布線過程中考慮優(yōu)化范圍內節(jié)點的父節(jié)點，獲得代價更小的解。基于初始航跡構建啟發(fā)式采樣區(qū)域，優(yōu)化初始航跡，不斷降低航跡代價；基于模型預測控制，設計航跡規(guī)劃策略。最后，通過仿真驗證了所設計的航跡規(guī)劃方法的性能。

作者簡介

張海闊（１９９９—），男，碩士研究生，主要研究方向為飛行器任務規(guī)劃。

孟秀云（１９６４—），女，教授，博士，主要研究方向為飛行器動力學與控制、飛行器任務規(guī)劃。