針對繞機巡檢任務的無人車路徑設計與仿真

摘要：為確保民航安全，民用飛機在制造及運行維護階段均須頻繁對飛機結構損傷進行視覺檢查以排除事故隱患。為了解決當前飛機結構損傷人工目視檢測方法效率低、安全性差、漏檢率高等問題，文章提出了一種基于優化A*算法的無人車繞機巡檢路徑規劃技術。該技術通過引入動態權重系數與B樣條曲線，同時與B737機型的繞機巡檢任務結合，實現巡檢作業路徑的高效穩定。仿真實驗結果表明，無人車能夠實現在復雜飛機結構周圍的自主導航與高效巡檢。

關鍵詞：路徑規劃；無人車；建模仿真；民航飛機；結構損傷檢測技術

中圖分類號：TP242；TP18 "文獻標志碼：A

0 引言

無人車技術不斷發展，已逐漸應用到眾多行業領域，展現其卓越的自動化與智能化潛力。在這一背景下，將無人車與先進的損傷檢測技術相結合，探索其在特定場景下的全方位、無遺漏巡檢功能，正成為研究與實踐熱點［1-2］。特別是在航空領域，面對飛機結構復雜、檢測精度需求高的挑戰，傳統人工目視檢測方法日益顯現局限性［3］。以C類民用飛機為例，其機體、發動機及機翼等關鍵區域覆蓋長約40 m、寬約36 m、高約4 m，每次航后檢查均需2名機務人員緊密協作，在有限時間內完成詳盡的檢查工作。這一過程不僅耗時耗力，更因人為因素可能導致疏漏或錯誤，成為影響飛行安全的一大隱患。歷史上，由于檢修不當而引發的事故屢見不鮮，不僅造成了重大的人身傷亡，也給社會經濟帶來沉重打擊。

飛機市場需求持續增長，人們對飛行安全的保障要求也隨之提高，飛機結構的定期巡檢顯得尤為關鍵而迫切。因此，開發一種高效、準確且能減輕人工負擔的巡檢方案，成為亟待解決的重要問題。

基于此，本文提出了基于優化A*算法的無人車繞機巡檢路徑規劃技術并輔以仿真驗證。通過算法優化，實現無人車在復雜飛機結構周圍的自主導航、高效巡檢和自動避障，以期降低人力成本、提高檢測效率。

1 路徑規劃算法

路徑規劃是移動機器人導航的關鍵，涉及如何讓機器人在已知或未知的環境中順利地生成一條規劃路線并沿著規劃路線完成待定任務［4］。依據對環境信息的掌握程度，路徑規劃問題被細分為已知環境的全局路徑規劃與未知環境的局部路徑規劃2類［5-6］。全局路徑規劃側重于在環境信息完全或大部分已知的情況下，為機器人規劃出一條全局最優路徑［7］；而局部路徑規劃則更側重于在環境信息部分未知的情況下，通過傳感器實時感知環境，實現局部范圍內的路徑規劃與避障。目前，全局路徑規劃算法的研究大致可歸納為3類：（1）基于圖形學的算法［8］，利用環境信息的幾何特性構建圖模型，通過圖搜索技術尋找最短路徑，例如根據障礙物位置確定子環境邊界線作為規劃路徑的Voronoi 圖法與A*算法；（2）基于智能仿生學的算法［9］，例如模擬自然或物理現象，通過隨機生成初始解并迭代優化的遺傳算法［10］；（3）基于人工智能的算法，如利用機器學習技術使機器人具備學習與適應環境能力的神經網絡算法等。

針對無人車繞機巡檢這一特定任務，在飛機環境信息已知場景下，A*算法以其高效性、靈活性和廣泛適用性成為本文首選算法。

1.1 A*算法

A*算法是一種常用的路徑規劃和圖形遍歷算法［11］，有較好的性能和準確度。A*算法的基本思想是維護2個列表：開放列表和關閉列表。開放列表用于存儲待探索的節點，關閉列表用于存儲已經探索過的節點。算法從起始節點開始，逐步擴展開放列表中的節點，根據啟發式函數的估計值選擇節點進行搜索，此外還考慮了從起點到當前節點的累計代價和從當前節點到終點的估計代價，從而在保證搜索效率的同時得到最短路徑［12］。其估計代價評估函數如下：

f（N）=g（N）+h（N）（1）

其中，f（N）為當前節點的總代價；g（N）為從起點到當前節點的代價；h（N）為從當前節點到終點的啟發式函數。

尋徑過程為初始化起始點和目標點，創建開放列表和關閉列表，對于每個節點用估計代價評估函數來計算代價，然后從開放列表中選擇代價最小的節點作為當前節點，若當前節點是目標節點，則結束算法。否則，將當前節點從開放列表移至關閉列表，擴展其后繼節點并更新開放列表中的信息，循環執行以上步驟，直到找到目標節點或開放列表為空，此路徑即為從起始點到目標點的最優路徑。

1.2 A*算法啟發式函數優化

本文對A*算法的啟發式函數h（N）進行了策略性優化，通過引入動態權重系數W來調整啟發式評估函數h（N），進而實現對搜索效率和路徑質量的精細控制。這一改進直接作用于A*算法的核心評估機制，即：

f（N）=g（N）+h（N）W（2）

具體而言，當W取較大值時（如W=2.0），算法傾向依據啟發式信息快速向目標點逼近，提高了搜索效率，但可能犧牲最終路徑的全局最優性。反之，當W趨于零（如W→0）時，A*算法確保了路徑的最優性，但犧牲了搜索效率。因此，單純固定W值難以在搜索效率與路徑質量之間取得最佳平衡，A*算法運行結果如圖1所示。

針對上述問題，本文采用動態加權策略，根據啟發式函數值h（N）動態調整權重系數W。當h（N）gt;20時，設定W（N）=2.0，提高算法在遠離目標區域的搜索速度；而當h（N）≤20時，將W（N）調整為0.8，以便在接近目標區域時更加注重路徑的最優性。本文使用的動態加權策略可根據搜索過程的不同階段，靈活調整啟發式信息與已知代價之間的相對影響，從而在遠離目標區域提升搜索速度，靠近目標區域提升路徑最優性。

因而本文對于權重系數W采用動態加權的方式來進行，即：

f（N）=g（N）+h（N）W（N）（3）

實驗結果表明（見圖2），相較于傳統A*算法，本文提出的動態加權A*算法不僅在搜索效率上有所提升，還具有生成最短路徑的優勢，不僅豐富了A*算法的理論研究，也為實際路徑規劃問題提供了更為高效靈活的解決方案。

1.3 A*算法路徑平滑優化

A*算法生成的路徑往往具有多條折線，無人車的動力學模型無法按照既定路徑移動。為此，本文引入貝塞爾曲線與B樣條曲線優化A*算法，提升路徑的連續性，實現無人車繞既定路徑移動。

二階貝塞爾曲線由線段P0到P1之間連續的點Q0與線段P1到P2之間連續的點Q1組成，則由Q0至Q1的連續點B（t）描述的就是一條二階貝塞爾曲線，其公式如下：

B（t）=（1-t）2P0+2T（1+t）P1+t2P2，t∈［0，1］（4）

其中，B（t）為在t時刻下的坐標；P1為控制點；P0為起點；P2為終點。B樣條曲線優化，引入了控制點之間的距離、曲率的變化這些約束條件來保證軌跡的平滑性和連續性。本文將貝塞爾曲線優化與B樣條曲線優化分別與A*算法結合，不同曲線優化下A*算法實驗結果如圖3所示。

相較于貝塞爾曲線優化的路徑，B樣條優化后的路徑更為貼近A*算法的原生路徑，同時在平滑性和擬合度上實現了顯著提升。因此，最終選擇B樣條曲線作為A*算法路徑優化的首選。

2 無人車巡檢仿真實驗

為了充分驗證本文提出的無人車繞機路徑設計的可行性與實用性，本文設計并實施了仿真實驗。實驗的首要環節是根據具體的機務繞機作業要求，針對波音B737飛機機型，定制化構建了無人車繞機檢查的環境模型。此步驟確保了仿真環境高度貼近實際應用場景。隨后搭建了無人車模型，該模型可精準模擬無人車的物理特性，還集成了必要的感知與控制系統，以確保其能夠自主完成繞機巡檢任務。通過這一步驟，無人車可以在仿真環境中對波音B737飛機進行全面、細致地繞機巡檢作業，從而全面評估路徑設計的合理性與效率。

2.1 繞機檢查路線

B737繞機檢查路線如圖4所示，繞機檢查任務涵蓋飛機多個關鍵部位，包括發動機、機翼、起落架、艙門、液壓系統、輪胎及機尾等。發動機檢查側重于進氣道清潔度、葉片狀況及吊架完整性；機翼檢查關注其表面光潔度、結構完整性及油箱密封性；起落架檢查重點驗證剎車系統、滑筒狀態及輪胎損傷情況；起落架艙需確認無異物、損傷及油液滲漏；輪胎檢查關注磨損、扎傷、割傷及鼓包等現象；機尾檢查包括舵面、蓋板及放電刷的狀態；燃油檢查確認加油后蓋板封閉與選擇按鈕位置；APU區域檢查涉及門鎖、排放口、進氣口及排氣口的清潔與完整性。

2.2 飛機檢查環境建立

本次實驗是對波音B737機型飛機進行繞機仿真實驗，無人車繞機檢查環境如圖5所示，在飛機前輪附近和主輪兩側均放置方塊模型以模擬在地面上的加油車等飛機過站時用于飛機裝卸工作的地面車輛障礙物，從而確保仿真環境的高度真實性與挑戰性，為無人車在實際操作中的路徑規劃與避障能力提供了充分測試。

2.3 無人車模型搭建

本文使用統一機器人描述格式文件完成對無人車的模型搭建。本文使用的無人車是麥克納姆輪式無人車，具有全向運動結構，可在二維平面內做出任意方向平移和運動［13］。圖6（a）是Wheeltec公司旗下的一款R550 ROS教育機器人，圖6（b）為無人車模型。該模型不僅精準復刻了原型的全向運動特性［14］，還集成了所需的感知系統，主要包括高精度激光雷達與雙目視覺攝像頭。這一感知系統的集成，使得無人車能夠實時采集周圍環境的三維點云數據以及視覺圖像信息，為后續的無人車繞機檢查任務數據處理提供數據源。

2.4 仿真環境

本文使用的仿真環境是在Windows10系統下通過VMware軟件所創建的Ubuntu系統，虛擬操作系統為Ubuntu18.04，ROS版本為ROS-Melodic，機器人仿真開源軟件為Gazebo，數據可視化工具為Rviz。

2.5 無人車繞機巡檢仿真

本文使用Gazebo創建系統應用環境模型［15］，根據實際機務人員繞機檢查的規范路徑，在仿真地圖中設置合適的目標點位，用于無人車拍攝檢測。將無人車模型、飛機環境和視覺圖像數據等信息通過ROS進行發布，使用Rviz實時顯示無人車運動狀態、軌跡信息、圖像數據、環境變化等。仿真環境搭建如圖7所示。

在仿真環境中，首先通過點擊Rviz任務欄中的“Publish Point”鍵位，研究人員能夠直接在二維地圖上選定目標位置。該操作隨即生成一個綠色的“2D New Goal”箭頭，其方向明確指示了無人車在完成該檢查點后應停止并朝向的方向。遵循既定的繞機檢查流程拍攝照片，系統根據圖片所示的繞機點位圖，自動規劃并按照優化后的A*算法生成一條高效安全的路徑，引導無人車逐一訪問地圖中標識的關鍵檢查點。每個檢查點均被設計為無人車須停止并拍照記錄的位置，以確保全面覆蓋發動機、機翼、起落架、艙門、液壓系統、輪胎及機尾等關鍵部位。在無人車抵達每個點位時，集成的拍照系統將被觸發，自動捕獲高清圖像作為檢測記錄。

此仿真實驗能實現無人車在指定點位自動拍攝，確保每次拍攝都能根據實際需求調整角度，對于巡檢任務指定或存在其他潛在風險的區域，無人車能夠靈活調整姿態，從不同角度進行拍攝，有效避免人為因素產生的漏檢現象。這些圖像數據能被機務工作者識別，用于后續損傷判斷，包括與正常狀態的照片進行對比分析，從而快速識別任何異常或潛在問題。

2.6 實驗結論

本實驗設計的無人車繞機巡檢路徑規劃充分考慮了維護工作的實際需求，實現無人車在復雜飛機結構周圍的自主導航、高效巡檢和自動避障，所拍攝的圖像不僅可作為即時檢查的依據，還能在后續的跟進維修中，為機務人員提供直觀的比對和分析佐證材料，有助于精準定位故障點，優化維修方案。特別是在遠程監控與診斷方面，專家團隊能夠不受地域限制，對飛機狀態進行實時評估與指導。

3 結語

本文針對飛機巡檢中人工目視檢測方法存在漏檢率高、效率低等問題，提出針對繞機巡檢任務的無人車路徑設計，采用了一種基于優化A*算法的路徑規劃算法。該算法引入動態權重系數與B樣條曲線，提升了搜索效率，優化了最短路徑。本文通過對比分析B樣條曲線與二階貝塞爾曲線在路徑平滑性方面的表現以及固定權重系數與動態權重系數在路徑優化效率上的差異，最終確定采用動態權重系數與B樣條曲線的組合方案。這一方案不僅能夠提高路徑軌跡的平滑性，確保其適應復雜多變的巡檢環境，而且為無人車提供了優化巡檢路徑。仿真實驗模擬了民航飛機巡檢的真實場景，實驗結果表明，采用動態權重系數與B樣條曲線優化后的A*算法，無人車在路徑規劃精度、平滑度及連續性方面能滿足實際巡檢任務需要，可實現高效安全的繞機巡檢作業。

盡管本文在仿真環境中通過引入動態權重系數與B樣條曲線，對無人車在執行繞機巡檢任務中的路徑規劃技術進行了有效優化，實現繞機巡檢作業，但還存在著局限性，本文所采用的仿真環境是靜態的，這忽略了現實世界中機場環境的動態復雜性，實際巡檢場景中可能存在地勤人員、引導車、加油車、行李車等多種動態障礙物以及飛機除冰等作業導致的臨時性環境變化。這些動態因素無疑會對無人車的路徑規劃及執行造成重大影響，而靜態仿真難以全面模擬這些復雜多變的場景。當前研究主要集中在算法層面的優化，而對于無人車在實際環境中路徑規劃能力尚需進一步驗證和提升。在優化路徑的平滑性、連續性和精度的同時，還須要考慮無人車的巡檢效率、避障性等多方面的平衡。如何在復雜多變的巡檢任務中實現這些目標的綜合優化，是未來研究的重要方向。

參考文獻

［1］張廣杰.AGV結構設計及路徑規劃算法研究［D］.無錫：江南大學，2023.

［2］張辰貝西，黃志球.自動導航車（AGV）發展綜述［J］.中國制造業信息化，2010（1）：53-59.

［3］張正義.AGV技術發展綜述［J］.物流技術與應用，2005（7）：67.

［4］張智勇.AGV地面系統設計及開發［D］.西安：西北工業大學，2003.

［5］王朵.基于采樣的移動機器人路徑規劃智能算法研究［D］.武漢：武漢輕工大學，2023.

［6］閆文健.動態場景下基于采樣的移動機器人路徑規劃算法研究［D］.哈爾濱：哈爾濱工業大學，2019.

［7］李曉敏．智能移動機器人全局路徑規劃及仿真［D］．南京：南京理工大學，2004.

［8］王娟娟，曹凱.基于柵格法的機器人路徑規劃［J］.農業裝備與車輛工程，2009（4）：3-4.

［9］趙乃剛，鄧景順．粒子群優化算法綜述［J］．科技創新導報，2015（26）：216-217.

［10］徐夢穎，王嬌嬌，劉寶，等.基于改進遺傳算法的機器人路徑規劃［J］.石河子大學學報（自然科學版），2021（3）：391-396.

［11］FRANTISEK D， ANDREJ B， MARTIN K， et al. Path planning with modified a star algorithm for a mobile ［J］. Procedia Engineering， 2014（1）：59-69.

［12］吳飛龍，郭世永.融合改進A*和動態窗口法的AGV動態路徑規劃［J］.科學技術與工程，2020（30）：12452-12459.

［13］胡春旭.ROS機器人開發實踐［M］.北京：機械工業出版社，2018.

［14］朱建軍，王明園，張博文.基于ROS的輪式機器人建模方法與仿真研究［J］.吉林化工學院學報，2021（3）：61-65.

［15］陳天元.基于麥克納姆輪的AGV定位與路徑跟隨技術研究［D］.北京：北京理工大學，2021.

（編輯 王雪芬編輯）

Unmanned vehicle path design and simulation for patrol tasks around aircraft

ZHOU" Yi1， LU" Yi2， CHEN" Qi3， XU" Yiming1

（1.Nanjing University of Aeronautics and Astronautics， Nanjing 210016，

China; 2.Guangzhou Civil Aviation College， Guangzhou 510403， China; 3.China Academy of Civil Aviation

Science and Technology， Beijing 100028， China）

Abstract： To ensure the civil aviation safety， civil aircrafts require frequent visual inspections for structural damage during manufacturing and operational maintenance stages to eliminate potential accident hazards. To address the issues of low efficiency， poor safety， and high miss detection rates associated with the current manual visual inspection methods for aircraft structural damage detection， the article proposes an unmanned vehicle-based path planning technology for aircraft inspection using an optimized A* algorithm. This technology introduces dynamic weight coefficients and B-spline curves， and combines them with the inspection tasks of the B737 aircraft model to achieve efficient and stable inspection paths. Simulation experiment results demonstrate that the unmanned vehicle can achieve autonomous navigation and efficient inspection around complex aircraft structures.

Key words： path planning; unmanned vehicle; model and simulation; civil aviation; structural damage detection technology