在复杂的三维动态环境中，利用改进的模糊神经流体动力学系统为无人驾驶飞行器进行实时路径规划

《Engineering Applications of Artificial Intelligence》：Real-time path planning for unmanned aerial vehicles in complex three-dimensional dynamic environments using an enhanced fuzzy neural fluid dynamical system

无人机三维动态环境实时路径规划研究提出融合改进梯度优化算法（MGBO）与模糊人工神经网络（FMLP）的IIFDS-ANN框架，通过多阶段优化实现高质量轨迹生成与参数自适应调整，实验验证其避障精度和实时性优于传统方法。

　　随着无人机（UAV）技术的快速发展，其应用领域已经从军事扩展到民用领域。无人机因其高度的机动性和操作便捷性，被广泛应用于目标检测、搜索与救援等任务。在这些任务中，自主导航成为极具前景的研究方向，人工智能技术的引入进一步提升了无人机自主飞行的潜力。自主导航中的路径规划是确保无人机目标可达性和飞行安全的核心研究课题，其目标是在起点与目标点之间设计一条避开碰撞的轨迹。尤其是在动态环境中，路径规划需要实时响应环境信息，实现在线计算，这对算法提出了更高的要求。

路径规划在无人机自主导航中占据重要地位，其复杂性取决于飞行环境和任务需求。地面机器人或自动驾驶汽车通常在二维环境中进行路径规划，而无人机则在三维空间中飞行，因此需要专门针对三维环境设计路径规划算法。三维空间中的路径规划不仅要考虑静态障碍物，还要应对动态障碍物带来的不确定性，这增加了规划的难度。此外，无人机在飞行过程中需要遵守多种约束条件，如避障、最大飞行角度限制以及安全决策等，这对路径规划算法提出了更高的挑战。

当前，路径规划方法主要包括基于A*算法的扩展方法、人工势场（APF）方法、采样方法以及元启发式算法。A*算法是一种经典的路径规划方法，但其在动态环境中的适应性有限。为了解决这一问题，研究者提出了LRT-A*等改进算法，以应对障碍物位置随时间变化的情况。然而，基于图的方法在三维空间中存在计算复杂度高、节点数量受限等问题，限制了其在实时任务中的应用。

人工势场方法在障碍物数量较少时表现出良好的性能，但随着障碍物数量的增加，容易陷入局部极小值，导致规划失败。因此，研究者们不断探索改进策略，如结合A*算法的AAPF*等方法，以提高在复杂环境中的适应性。采样方法，如快速探索随机树（RRT）及其变种，通过随机性高效探索配置空间并生成可行路径。然而，这些方法在三维空间中的扩展性较差，计算成本较高，难以满足实时路径规划的需求。

元启发式算法因其结构简单、易于实现且优化性能强，被广泛应用于路径规划问题。其中，群体智能算法如粒子群优化（PSO）和 cuckoo search 等被用于解决多任务无人机路径规划问题。此外，数学启发的元启发式算法，如基于梯度的优化器（GBO），也展现出良好的优化能力。然而，这些算法在处理动态环境时往往效率较低，需要进一步改进。

近年来，随着人工智能技术的进步，强化学习（RL）也被引入到路径规划领域。例如，Liu 等人将 RL 应用于路径规划，而 Zhang 等人提出了一种基于双延迟深度确定性策略梯度（TD3）的双流actor-critic网络，用于提取环境特征并解决路径规划问题。神经网络因其强大的建模能力和无需人工特征工程的端到端学习特性，成为路径规划领域的重要工具。Xu 等人将机器人路径规划问题转化为二次规划任务，并利用循环神经网络进行在线控制命令计算。Ramezani 等人则设计了基于长短期记忆（LSTM）网络的模型预测控制（MPC）框架，用于复杂和不确定环境中的无人机路径规划。Wang 等人则采用LSTM方法解决车辆路径规划问题，通过风险评估预测环境动态并生成局部路径。

神经网络技术在路径规划中的应用表明，其具有较强的适应性和预测能力。其中，多层感知机（MLP）是一种经典的神经网络结构，能够近似任何连续函数，因此在路径规划中被广泛应用。此外，基于Transformer的注意力机制在路径规划中的应用也展现出良好的前景。WaveFormer 和 Point Spatio-Temporal Transformer Networks 等方法利用注意力机制动态调整特征权重，提高了模型对环境变化的适应能力。模糊规则权重机制与注意力机制在功能上具有相似之处，即通过动态加权确定各规则对输入的贡献。然而，模糊规则权重保留了显式的可解释性，通过模糊隶属度函数定义各规则的重要性，这使得其在复杂任务中具有更高的鲁棒性。

在此基础上，本文提出了一种基于改进干扰流体动力学系统（IIFDS）和模糊人工神经网络（FANN）的实时路径规划方法。IIFDS 是一种适用于三维空间的路径规划算法，其通过调制矩阵确定障碍物对无人机路径的影响，能够灵活处理多种约束条件。此外，IIFDS 不依赖于网格或图结构，直接在三维笛卡尔空间中进行路径生成，这对实时路径规划具有显著优势。然而，在动态环境中，IIFDS 参数的自适应调整仍面临挑战。为此，本文引入了神经网络，利用其端到端学习能力和高响应性，实现参数的实时自适应调整。

为了解决基于梯度的优化器（GBO）在优化后期容易陷入局部最优的问题，本文提出了一种改进的基于梯度的优化器（MGBO）。该优化器结合了缩放梯度搜索策略、可扩展搜索距离以及改进的逃逸操作，以提高优化性能。缩放梯度搜索策略能够有效调整梯度方向和幅度，增强算法在复杂环境中的搜索能力。可扩展搜索距离允许算法在不同环境下动态调整搜索范围，提高搜索效率。改进的逃逸操作则有助于算法跳出局部最优，进一步提升优化效果。

由于训练人工神经网络（ANN）需要大量高质量的样本数据，本文提出了一种基于最近障碍物的样本生成方法。该方法通过构建包含动态和静态障碍物的复杂环境，生成大量高质量的IIFDS轨迹，并从中提取环境状态信息和对应的IIFDS参数，构成ANN的训练数据集。此外，考虑到传感器测量中可能存在的噪声和不确定性，本文设计了一种模糊人工神经网络（FMLP）结构，以增强ANN对不精确输入的处理能力。FMLP通过模糊推理系统实现对输入的动态加权处理，提高模型的鲁棒性和预测准确性。

在部署阶段，本文将实时获取的环境状态信息输入到训练好的FMLP网络中，网络输出的预测参数用于指导IIFDS算法的运行，从而实现无人机的自适应路径规划。这一方法不仅提高了路径规划的质量，还增强了无人机在复杂动态环境中的避障能力和实时响应能力。

本文的主要贡献包括以下几个方面：首先，针对GBO在优化后期易陷入局部最优的问题，提出了一种结合缩放梯度搜索策略的MGBO算法，用于优化神经网络的权重和偏置以及IIFDS的参数。其次，为提高IIFDS算法的路径质量，设计了一种MGBO引导的步进滚动时域优化方法，增强IIFDS参数的适应性。第三，提出了一种基于最近障碍物的样本生成方法，为ANN提供有效的高质量训练数据集。最后，构建了模糊人工神经网络（FMLP），以提升ANN在处理不精确输入时的鲁棒性和实时性能。

本文的结构如下：第二部分介绍了本研究所需的背景知识，包括路径规划的环境模型、IIFDS算法、模糊推理系统以及多层感知机。第三部分详细描述了所提出的MGBO算法，包括其改进策略和对应的伪代码。第四部分介绍了本文提出的实时三维路径规划算法，该算法基于IIFDS方法，并结合了FMLP网络以提高性能。第五部分展示了在不同复杂动态环境中的仿真实验结果与分析。第六部分总结了本文的研究成果，并提出了未来的研究方向。

在三维复杂动态环境中，实时路径规划是一项极具挑战性的任务。本文提出的方法通过结合IIFDS和FMLP网络，实现了对无人机路径规划的高效优化。神经网络的强大学习能力使得算法能够快速适应环境变化，而模糊推理系统的引入则增强了模型对不精确输入的处理能力。MGBO算法的改进进一步提升了优化效率，确保了路径规划的质量和实时性。这些改进共同构成了一个高效、鲁棒且适用于复杂环境的实时路径规划框架，为无人机自主导航提供了新的解决方案。