EA-AHS：一种面向复杂城市环境中实时无人机路径规划的感知驱动自适应启发式框架

《Sensors》：EA-AHS: A Perception-Driven Adaptive Heuristic Framework for Real-Time UAV Path Planning in Complex Urban Environments

　　

随着城市低空空域的逐步开放，无人机（Unmanned Aerial Vehicle, UAV）应用日益依赖实时环境感知以在复杂、障碍密集的环境中安全导航。传统规划算法难以有效处理空间异质传感器数据，导致计算瓶颈和不安全轨迹。为了桥接原始感知与敏捷决策，研究人员提出了一种环境感知自适应启发式搜索（Environment-Aware Adaptive Heuristic Search, EA-AHS）框架，该框架通过滑动窗口将局部障碍密度转换为自适应启发式权重，同时历史反馈回路实现宏观参数调整。实验表明，与标准A*（Standard A*）相比，EA-AHS在简单迷宫中减少了87.9%的规划时间，在复杂点块地图中减少了81.0%。在3D城市场景中，EA-AHS以适度的计算开销换取了显著的安全增益：其累积风险仅为标准A*的48%和加权A*（Weighted A*）的57%，最小障碍距离增加至6.04米。与基于学习的方法不同，EA-AHS无需预训练或神经推理，为资源受限的机载传感器系统提供了一种高度实用、轻量级的解决方案。

随着城市低空空域的逐步开放，无人机（UAV）在物流配送、基础设施巡检、灾害应急响应等领域的应用快速发展。与传统空域不同，城市低空环境具有障碍物密集、空间结构复杂、空间异质性显著等特点，对路径规划算法的实时性和鲁棒性提出了严苛要求。现有主流方法（如A*算法）在网格环境中依赖固定启发式权重，难以在障碍密集区平衡搜索效率与路径质量，导致扩展节点激增甚至搜索震荡。尽管已有研究通过搜索空间剪枝、双向搜索、修改启发函数等形式改进了A*算法，但大多缺乏对环境特征的显式建模与利用，仅依赖固定策略难以在高度不均匀的城市低空环境中实现稳定高效的规划。为此，研究人员提出了一种环境感知自适应启发式搜索（EA-AHS）框架，旨在通过实时感知局部环境复杂度并动态调整启发式权重，在保持算法轻量化的同时显著提升路径规划性能。该框架在2D迷宫和3D仿真城市环境中进行了系统验证，实验结果表明EA-AHS在2D环境下将规划时间降低87.9%（简单迷宫）和81.0%（复杂点块地图），在3D场景中以适度计算开销换取了显著安全提升（累积风险仅为标准A*的48%）。相关研究成果发表在《Sensors》。

EA-AHS框架的核心关键技术包括以下三个方面：第一，**环境感知层**：采用栅格法对环境进行离散化建模（栅格分辨率1米），通过滑动窗口（窗口半径^r=3，大小7×7）实时计算每个扩展节点附近的局部障碍密度（^ρ_n），该密度反映节点周围的拥堵程度；第二，**策略控制层**：设计线性映射函数将局部障碍密度转换为动态启发式权重（^w_n），权重范围预设为[0.5, 1.5]，并引入障碍惩罚项（^P_n，系数10.0）构成复合启发式函数，实现微观层面的环境自适应调节；第三，**性能反馈层**：通过长度为10的滑动窗口记录历史规划时间，计算短期与长期平均时间的比值，当比值超出阈值（^δ=1.5）时调整全局基础权重（步长0.2，范围[0.5,1.5]），实现宏观层面的参数自适应。所有实验均在Intel Core i7-1165G7处理器上运行，代码采用Python 3.12实现，2D测试环境包括简单迷宫和复杂点块地图（栅格尺寸100×100，障碍物通过固定骨架加随机点块扰动生成），3D测试环境为1000×1000×80米水平域和40米垂向域（分辨率1米），包含58栋建筑、250棵树、12架入侵无人机和25个随机空中障碍物。每种场景均进行30次独立重复实验（不同随机种子），以均值±标准差记录指标。

**4.3 与主流算法性能对比**：在2D简单迷宫和复杂点块地图中，将EA-AHS与标准A*、加权A*（固定权重1.0）、人工势场A*（APF A*）和Theta*进行对比（每组30次独立运行）。结果显示，EA-AHS在简单迷宫中的规划时间（0.1693 s）比标准A*（1.4011 s）降低87.9%，节点扩展数减少90.8%；在复杂点块地图中规划时间（0.2466 s）比标准A*（1.2987 s）降低81.0%，节点扩展数减少85.6%。EA-AHS的路径长度略有增加（+9.5%和+12.8%），但远优于Theta*的4.37秒计算开销。Mann–Whitney U检验证实所有改进在统计上显著（^p<0.05）。

**4.4 3D模拟城市环境案例研究**：在大型3D城市场景中，与标准A*、加权A*和APF A*比较（30次独立运行）。EA-AHS的规划时间（75.01 s）略高于标准A*（58.07 s），但累积风险（^RiskSum）仅为38.27，显著低于标准A*（79.63）和加权A*（67.27），最小障碍距离从4.62米提升至6.04米。加权A*速度最快但无安全提升，APF A*时间与内存消耗最高。

**4.5 消融研究：惩罚项和反馈层的作用**：在3D环境中，通过移除惩罚项（No Penalty）和移除反馈层（No Feedback）进行消融。移除惩罚项后，规划时间增加18.7%，^RiskSum增加42.5%；移除反馈层后，规划时间猛增至291.32 s（约为完整版的3.9倍），但^RiskSum降至1.25，表明反馈层通过宏观历史调整防止了过度保守搜索，与惩罚项共同平衡安全与效率。

**4.6 与DDPG-A*的轻量级对比**：在缩小尺度的3D场景（640×640×80 m）中，与深度强化学习方法DDPG-A*对比（10次独立训练+测试）。EA-AHS规划时间（10.18 s）比DDPG-A*（17.56 s）快42%，比未经预训练的随机DDPG-A*（150.26 s）快一个数量级；节点扩展数（230）远低于DDPG-A*（452）。路径质量差异<0.4%，但EA-AHS无需预训练（DDPG-A*平均预训练时间179.22 s）或GPU加速，完全基于窗口内障碍计数和线性运算，适合嵌入式平台部署。

讨论部分指出，EA-AHS的性能源于微观（局部密度驱动的线性权重）与宏观（历史反馈滑动窗口）双层次自适应机制，以及障碍惩罚项主动引导搜索远离密集区域。效率提升伴随适度路径长度增加（2D中9.5%~12.8%，3D中4.1%），这在实时任务中是可接受的。与DDPG-A*的对比凸显了EA-AHS的实践优势——纯分析设计避免“黑箱”方法的高计算开销。局限性包括：关键参数（如惩罚系数）仍凭经验设定，当前框架仅适用于静态环境单次查询，未集成动态重规划能力。未来工作将结合增量重规划（如D* Lite），并在多样城市形态中验证，同时开展真实飞行测试。

研究结论部分翻译如下：本文提出了一种环境感知自适应启发式搜索（EA-AHS）框架，以解决复杂城市低空环境中路径规划的计算瓶颈和安全挑战。通过将规划过程组织为三个协同层，并采用微观-宏观双层次自适应机制，该框架基于实时局部障碍密度动态调整启发式权重，同时利用历史性能滑动窗口检测宏观环境变化。这种分析性设计实现了轻量化、环境感知的自适应，避免了学习方法典型的计算负担。在2D迷宫和3D仿真城市场景中的实验验证表明，该框架在效率与安全之间实现了卓越平衡。在2D环境中，与标准A*相比，EA-AHS在简单迷宫中减少规划时间87.9%，在复杂点块地图中减少81.0%，节点扩展减少超过90%。在3D城市场景中，EA-AHS以适度时间开销（75.01 s vs. 标准A*的58.07 s）换取了累积风险的大幅降低：其^RiskSum（38.27）仅为标准A*（79.63）的48%和加权A*（67.27）的57%，最小障碍距离增加至6.04米。所有改进均经Mann–Whitney U检验（^p<0.05）证实，效应量为中到大。尤其值得注意的是，与DDPG-A*强化学习方法的对比凸显了EA-AHS框架的工程优势：其规划速度提升超过一个数量级（路径质量降幅严格控制在0.3%以下），完全消除了预训练、神经网络推理和GPU加速的需求。通过果断桥接理论最优性与实时计算约束之间的差距，EA-AHS框架将环境感知路径规划转变为高度实用的解决方案。其确定性和轻量级特性使其特别适合直接部署在资源受限的嵌入式系统上，为即将到来大规模城市低空无人机应用时代提供稳健的基础算法。