复杂威胁环境下基于MU-RRT*-BCR算法的多无人机协同路径规划研究

为解决复杂城市威胁环境中多无人机(UAV)路径规划效率低、安全性不足的问题，研究人员提出融合偏置采样(Biased Sampling)、候选评估(Candidate Evaluation)和路径重构(Path Reconfiguration)的MU-RRT*-BCR算法。该研究通过改进网格建模区分威胁区域与障碍物，优化RRT*算法的节点选择与轨迹平滑度，实验表明算法使目标函数值平均降低17.59%，计算时间减少81.26%，显著提升多无人机协同避障与威胁规避能力，为城市应急响应等场景提供关键技术支撑。

　　

在无人机技术迅猛发展的今天，城市上空正成为新的战略空间。从紧急医疗配送到高楼消防监测，多无人机协同作业展现出巨大潜力。然而，密集的摩天大楼、复杂的电磁干扰区以及突发危险区域，构成了一个充满威胁的三维迷宫。传统路径规划方法往往将威胁区域简单视为"禁飞区"，迫使无人机绕行导致效率低下；而多无人机协同时更易出现轨迹冲突或计算爆炸。这些问题严重制约了无人机在城市应急响应等关键场景中的应用效果。

针对这一挑战，中国的研究团队在《Expert Systems with Applications》发表创新成果。研究聚焦城市威胁环境的特殊性，提出分级威胁建模方法——不同于传统非黑即白的障碍物划分，该研究通过量化威胁强度（如粉色锥形区域风险梯度），允许无人机根据任务需求灵活权衡风险与效率。基于此，团队开发了MU-RRT*-BCR算法，其核心技术包括：改进的3D网格环境建模、融合偏置采样的多无人机RRT框架、考虑运动约束的Dubins路径平滑技术。实验采用长沙城市实景数据验证，通过对比A及多种RRT*变体算法证实其优越性。

环境建模创新
研究首先重构了城市空间表征体系。将建筑物建模为立方体障碍物，而信号干扰区等威胁区域则赋予动态权重值。这种区分使得算法能计算不同穿透路径的风险成本，例如：短暂穿越低威胁区域可能比长距离绕行更高效。网格分辨率与威胁衰减函数的精细设计，为后续规划奠定基础。

算法架构突破
MU-RRT*-BCR的核心改进体现在三方面：

1. 偏置采样策略：通过分析目标方向与威胁分布，引导80.28%的采样点向低风险高收益区域集中，避免传统RRT*的盲目随机性；
2. 候选评估机制：新增威胁敏感度系数δ，允许调整无人机对威胁的规避强度。测试显示该策略使目标函数值降低16.66%；
3. 安全检测模块：实时监测无人机间距离，当小于最小安全半径时触发轨迹重规划，确保协同避碰。

路径优化技术
针对原始RRT*路径转折多、不符合无人机运动学的问题，研究分两步优化：首先采用剪枝算法减少65.91%冗余节点，随后应用Dubins曲线处理转弯半径约束，生成平滑可飞轨迹。实验视频显示，优化后的路径显著降低实际飞行时的抖动与能耗。

实证验证
在200×200×100m³
的模拟城区中，对比MU-RRT*-BCR与A*、RRT*等算法的表现：

• 5无人机协同任务下，新算法规划时间仅需A*的34.09%；
• 威胁区穿透深度可通过δ值精确控制，验证了风险分级管理的可行性；
• 长沙橘子洲头场景测试中，算法成功协调3架无人机在120秒内完成跨江巡检。

这项研究的意义不仅在于算法性能提升，更开创性地提出了"可计算风险"的路径规划范式。通过量化威胁而非简单回避，MU-RRT*-BCR为城市无人机应用提供了兼顾效率与安全的解决方案。未来研究可进一步探索动态威胁环境下的实时重规划机制，以及异构无人机集群的协同策略。该成果为智慧城市空中物流、灾害救援等场景提供了关键技术储备，标志着多智能体路径规划向实用化迈进的重要一步。