《Franklin Open》：Global navigation and obstacle avoidance for quadrotor UAV based on improved GA and APF
编辑推荐：
随着低空无人飞行器（UAV）在监测、巡检及应急任务中的应用，传统路径规划方法在全局导航效率、局部避障稳定性及复杂环境适应性方面仍存在收敛速度慢、路径振荡频繁及安全裕度不足等问题。为此，研究人员提出一种融合改进遗传算法与改进人工势场法的四旋翼无人机导航与避障模型
随着低空无人飞行器（UAV）在监测、巡检及应急任务中的应用，传统路径规划方法在全局导航效率、局部避障稳定性及复杂环境适应性方面仍存在收敛速度慢、路径振荡频繁及安全裕度不足等问题。为此，研究人员提出一种融合改进遗传算法与改进人工势场法的四旋翼无人机导航与避障模型。该模型基于平面映射点选与跨区域变异对遗传算法进行改进，构建全局规划方法；在局部避障阶段引入切向引导、横向滑动及目标邻域门控衰减机制，并结合六边形引导方法构成改进人工势场模型，实现全局优化与实时避障的统一。实验结果表明，所提模型在公开数据集上取得最高F1值93.68%，平均规划时间仅102.37 ms，优于其他先进模型。在狭窄通道、迷宫及多孤岛障碍场景中，轨迹平滑度最高可达90.17%，低空飞行时最小安全距离保持在0.83 m以上，高空飞行时稳定保持在1.0 m以上，最低功耗仅为10.58 Wh。该模型在规划精度、实时性及复杂场景鲁棒性方面具有显著优势，可为四旋翼无人机自主飞行与任务执行提供高效可靠的技术支撑。
四旋翼无人机在复杂低空环境中的自主导航与动态避障是当前无人机智能化发展的关键问题。随着应用场景日益复杂，传统路径规划方法在全局搜索效率、局部避障稳定性及环境适应性方面暴露出明显不足，包括收敛速度慢、路径振荡频繁以及安全裕度不足等缺陷。已有研究虽在超声波传感避障、模型预测控制、深度学习检测及群体编队控制等方面取得进展，但单一方法难以同时满足全局优化与实时避障的统一需求。针对上述问题，研究人员提出一种融合改进遗传算法（Improved Genetic Algorithm, IGA）与改进人工势场法（Improved Artificial Potential Field, IAPF）的协同导航框架，旨在解决四旋翼无人机在复杂低空环境中路径冗余、局部极小值陷阱及动态障碍响应滞后等挑战。
研究人员首先基于平面映射点选策略完成初始种群构建，并通过适应度评估、精英保留及锚点引导的定向跨区域变异策略生成全局参考轨迹。在局部避障阶段，引入参考轨迹切向引导的引力项、结合横向滑动与安全距离阈值的斥力项，以及目标邻域门控衰减因子，构建改进人工势场模型。进一步采用六边形引导方法将连续合力离散化为稳定候选航向，最终实现全局优化与局部实时避障能力的统一。实验表明，该模型在公开数据集上取得最优规划精度与最短平均规划时间，在复杂障碍场景中展现出优越的轨迹平滑度与安全距离保持能力。
研究人员采用的主要关键技术方法包括：其一，平面映射初始化与锚点引导跨区域变异策略，通过将任务区域划分为等距斜条带并生成蛇形分布采样点，结合高度约束构建具有良好空间覆盖率的初始种群，并以最优个体为锚点向相邻区域扩张生成变异个体，平衡局部开发与全局探索能力。其二，改进人工势场模型，在引力项中融合参考轨迹切向引导分量，在斥力项中引入横向滑动机制与安全距离阈值约束，并通过目标邻域门控衰减函数实现目标可达性与避障安全性的动态平衡。其三，六边形离散引导机制，将连续合力映射至六个候选航向方向，结合安全约束选取可行前进方向，抑制窄通道环境中的航向抖动与回退现象。实验采用University of Iowa Indoor UAV Flight Dataset（UIUAV）与Microsoft AirSim UAV Navigation and Obstacle Avoidance Dataset（AirSim-UAV）两个公开数据集进行性能测试，并在AirSim仿真平台完成真实环境模拟与天气鲁棒性验证。
在性能测试方面，研究人员首先对收缩系数、引力增益及斥力增益三类关键超参数进行选值试验，确定最优参数配置为收缩系数0.4、引力增益0.75、斥力增益0.50。消融实验结果表明，完整模型IGA-IAPF在UIUAV数据集上规划成功率逐步趋近0.9，在AirSim-UAV数据集上稳定保持在0.85至0.91之间，相较于传统GA与IGA分别提升约24.7%和14.3%，验证了切向引导、横向滑动及目标邻域门控机制对鲁棒性的改善作用。对比实验中，所提模型在室内场景取得94.82%的精确率、92.57%的召回率与93.68%的F1值，平均规划时间仅102.37 ms；室外场景上述指标分别稳定在93.76%、91.84%与92.79%，平均规划时间控制在109.46 ms以内，均优于Fast Marching Tree（FMT）、TrajOpt、CHOMP以及近年主流的Hybrid A*-DWA、Improved RRT*、DRL-Navigation和MPC-UAV等方法，表明改进遗传算法与改进人工势场法的协作机制可有效平衡全局搜索效率与局部动态避障稳定性。
在仿真测试方面，真实场景导航对比显示，研究模型在复杂障碍环境中有效保持安全距离的同时确保轨迹平滑，路径长度显著缩短，局部转弯次数减少，动态目标干扰下仍保持较高稳定性。轨迹平滑度测试中，研究模型在狭窄通道、迷宫及多孤岛障碍场景中分别达到90.17%、89.3%和86.7%的平均平滑度，明显优于FMT（66.3%、69.2%、63.8%）、TrajOpt（68.7%、71.4%、70.2%）及CHOMP（72.5%、78.6%、71.5%）。不同飞行高度下的最小安全距离测试中，研究模型在低空飞行条件下保持0.83 m以上安全距离，高空飞行条件下在200 m高度达到1.28 m、800 m高度仍保持1.02 m，均显著优于对比方法。天气鲁棒性测试中，研究模型在晴天和雨天条件下的任务完成率分别达94.86%和91.73%，单步计算时间分别为11.42 ms和12.63 ms，功耗分别为10.58 Wh和11.47 Wh，模型复杂度控制在79.34%和80.68%，展现出在不利天气条件下的显著鲁棒性优势。
在讨论部分，研究人员指出改进人工势场方法虽从严格理论角度未完全消除传统势场法的局部极小值与目标不可达问题，但通过切向引导、横向滑动及目标邻域门控衰减机制显著缓解了上述问题。平面映射初始化方法在复杂垂直障碍或多层空间遮挡场景中可能压缩高度维度搜索多样性，后续迭代阶段引入的动态高度修正机制可在一定程度上缓解该问题。在极端密集障碍或快速动态障碍场景中，切向引导力与斥力矢量叠加仍可能引发局部航向振荡，当前研究尚未建立严格的非线性稳定性理论证明，需结合模型预测控制或Lyapunov稳定性分析方法进一步深入研究。此外，当前框架主要面向单架四旋翼无人机导航，向大规模集群协作场景拓展仍需解决通信同步、冲突消解与编队控制等问题，未来可结合图通信机制与分布式协同优化策略加以实现。
研究结论部分翻译：针对低空自主飞行中存在的全局路径冗余、局部避障不稳定及环境适应性不足等问题，研究人员构建了融合IGA与IAPF的四旋翼无人机导航与避障模型，显著提升了复杂场景下的避障稳定性与轨迹平滑度。该模型在UIUAV和AirSim-UAV数据集上分别取得93.68%和92.79%的F1值，平均规划时间仅为102.37 ms和109.46 ms。消融实验中，完整模型相较基础GA与IGA成功率分别提升约24.7%和14.3%，轨迹波动显著降低。该模型在不同飞行高度下的最小安全距离始终大于0.75 m，高空环境下保持在1.0 m以上。天气干扰实验中，晴天和雨天条件下任务完成率分别达94.86%和91.73%，单步时间控制在约12 ms，能耗与复杂度均为最低。综上所述，该模型在规划精度、避障安全性及多场景鲁棒性方面表现优良，具备工程应用潜力。然而在极端动态障碍密度或多机交互条件下收敛速度仍有下降趋势，未来可进一步融合分层协同规划与强化学习机制，增强模型在复杂交互环境中的泛化与恢复能力。
