《Technologies》:Low-Altitude Multi-UAV Trajectory Planning in Dynamic Urban Environments Using Dynamic-Aware ACO and MPC-GWO
编辑推荐:
低空城市环境因密集建筑、受限空域、动态障碍物、无人机间冲突及终端区域拥堵,对多无人机轨迹规划构成重大挑战。本研究提出一种分层三维协同轨迹规划框架,整合动态风险感知蚁群优化(ACO)与协同模型预测控制–灰狼优化(MPC-GWO)。研究人员将环境代价及预测动态障碍
低空城市环境因密集建筑、受限空域、动态障碍物、无人机间冲突及终端区域拥堵,对多无人机轨迹规划构成重大挑战。本研究提出一种分层三维协同轨迹规划框架,整合动态风险感知蚁群优化(ACO)与协同模型预测控制–灰狼优化(MPC-GWO)。研究人员将环境代价及预测动态障碍物风险纳入ACO全局搜索,生成风险感知参考轨迹,同时采用滑动窗口GWO改善轨迹平滑度与执行可行性。在线执行阶段,协同MPC-GWO结合动态障碍物预测、无人机间分离约束、可重构编队切换及目标邻域安全控制,实现自适应避障、协同重规划及有序终端到达。30次蒙特卡洛仿真表明,所提方法成功率达93.3% ± 25.4%,综合评分最高为96.20 ± 5.30,且动态障碍物与无人机间碰撞为零。消融实验验证了动态预测、编队重构及终端安全控制机制的有效性。平均在线重规划时间低于0.5秒,在小规模至中等规模模拟城市场景中展现出满意的安全性、协同性、适应性与实时性。
**研究背景与问题**
低空城市环境因密集建筑、受限空域、动态障碍物及无人机间冲突,对多无人机轨迹规划提出严峻挑战。现有研究虽在三维路径规划、动态避障及自适应导航方面取得进展,但仍存在以下不足:动态障碍物多采用局部避障或当前状态响应,缺乏对复杂运动行为与非线性演化的充分表征;蚁群优化(ACO)、灰狼优化(GWO)等智能优化方法主要聚焦于全局搜索能力提升,但动态风险感知、多无人机协同约束及终端区域冲突解决的耦合不足;模型预测控制(MPC)虽提供约束在线决策框架,但当同时考虑动态感知、编队重构、无人机间分离及终端安全到达时,在线重规划计算负担增大,难以平衡实时性与工程实用性。为此,研究人员提出一种面向小规模动态城市场景的可解释多层次协同轨迹规划框架,整合动态感知全局优化、局部在线调整、安全终端到达及可重构编队协调。
**研究内容与结论**
研究人员提出一种结合动态感知ACO与协同MPC-GWO的多无人机三维轨迹规划方法。该方法首先构建三维城市环境模型,将环境代价与动态风险评估项纳入ACO全局规划阶段,使初始轨迹具备主动规避高风险区域的能力;随后采用滑动窗口GWO对轨迹进行平滑与局部优化,提升轨迹连续性与执行可行性;在线执行阶段,集成协同MPC-GWO、动态障碍物预测、可重构编队及目标邻域安全控制机制,实现高动态环境下的在线避障、无人机间分离、编队切换及有序到达。通过30次蒙特卡洛仿真实验,所提方法成功率达93.3% ± 25.4%,综合评分96.20 ± 5.30,动态障碍物与无人机间碰撞为零,平均在线重规划时间低于0.5秒。消融实验验证了动态障碍物预测、可重构编队及目标邻域安全控制等核心机制的有效性。该研究发表在《Technologies》。
**主要技术方法**(不超过250字)
研究采用以下关键技术方法:1)动态风险感知蚁群优化(ACO)全局规划:在ACO启发函数中融入建筑高度约束与预测动态障碍物风险,生成风险感知初始路径;2)滑动窗口灰狼优化(GWO)局部平滑:将初始路径划分为固定长度局部段,通过GWO优化内部节点,保留全局拓扑同时改善平滑性;3)协同模型预测控制–灰狼优化(MPC-GWO)在线重规划:在滚动时域框架内嵌入动态障碍物预测、无人机间安全距离约束及任务同步需求,实现局部轨迹调整;4)可重构编队与目标邻域安全控制:根据通道宽度、局部风险及目标区域拥堵程度,自适应切换三角编队、纵队编队及自由解耦模式,并引入等待、绕行与编队释放机制确保有序终端到达。所有实验在MATLAB R2023b仿真环境中进行,未涉及真实样本队列。
**研究结果**
**4.2 总体性能实验**
通过对比六种方法(常规ACO、ACO+GWO、MPC局部重规划、ACO+GWO+MADDPG、ACO+GWO+MAPPO及所提方法),在30次蒙特卡洛仿真中,所提方法以93.3%的成功率与96.20的综合评分位居首位,实现零动态障碍物碰撞与零无人机间碰撞,且最小安全距离最大,证明其安全性、协同性与可靠性。
**4.3 消融实验分析**
**4.3.1 动态障碍物预测与风险评估模型消融**
比较仅使用当前障碍物位置(B1)、常速外推(B2)与所提动态预测(B3)三种策略。B3在高密度动态障碍物场景下将成功率从66.67%提升至94.44%,平均碰撞频率降至0.03次/运行,风险代价较B1降低90.00%、较B2降低93.75%,且路径长度与平滑度代价均降低,表明动态预测策略在提升安全性的同时生成更短更平滑的轨迹。
**4.3.2 可重构编队协调机制消融**
比较固定三角编队(C1)与自适应编队切换(C2)。C2在窄通道场景中通过切换至纵队编队,使通过成功率从0.00%提升至100.00%,平均风险代价与通过时间降低,最小无人机间距离保持5.00米,满足安全分离要求,验证了可重构编队策略在受限空间中的有效性。
**4.3.3 目标邻域安全控制策略消融**
比较直接目标接近(D1)、局部绕行(D2)与所提协调机制(D3)。D3通过等待、绕行与编队释放,成功率达96.67%,碰撞频率降至0.05,终端冲突值为0.00,团队到达时间从最大仿真时间25.00秒缩短至12.13秒,证明其改善终端安全与任务完成效率的能力。
**4.4 参数敏感性分析**
对动态风险权重、预测时域及编队保持权重进行单因素分析。增大风险权重降低风险代价但可能增加路径长度;延长预测时域降低危险时间比但增加重规划时间;增大编队保持权重减少编队误差但过度限制机动灵活性。最终参数在安全性、路径效率、编队一致性与计算可行性间取得平衡。
**4.5 可扩展性与实时计算性能**
在四种任务规模场景(S1-S4)中测试,随着无人机数量、动态障碍物数量、建筑数量及地图尺寸增加,所提方法平均在线重规划时间始终低于0.5秒预设重规划间隔,满足实时性要求,展现出稳定可扩展性。
**讨论与结论**
实验结果表明,所提动态感知ACO与协同MPC-GWO框架在模拟城市场景中有效提升了轨迹安全性、协同避障与执行可行性。动态风险感知机制降低进入高风险区域概率,滑动窗口GWO改善轨迹平滑性,可重构编队提升窄通道通行能力,目标邻域安全控制减少终端冲突。研究仍存在局限性:主要在MATLAB仿真中验证,未考虑感知不确定性、通信延迟、执行器饱和及气象扰动等真实因素;实验限于小规模至中等规模无人机编队;采用二维网格搜索与高度赋值,未能完全代表三维机动。未来工作将纳入更高保真度无人机动力学、真实三维城市地图、硬件在环仿真及实飞实验。
**研究结论翻译**
随着城市低空作战的快速发展,复杂建筑环境与动态障碍物密集区域中多无人机自主轨迹规划与协同避障已成为确保低空任务安全执行的重要问题。本研究通过整合动态感知ACO与协同MPC-GWO,提出一种多无人机三维协同轨迹规划方法。该框架首先利用动态风险感知ACO生成安全初始轨迹,然后应用滑动窗口GWO进行局部轨迹平滑,最后结合协同MPC-GWO、可重构编队控制与目标邻域安全控制,在模拟低空城市场景中实现在线避障、无人机间分离与有序终端到达。结果表明,所提方法在动态风险抑制、无人机间安全维持及任务完成可靠性方面取得良好综合性能。消融实验进一步表明,动态障碍物预测与时域风险评估机制有助于减少避障冲突;可重构编队机制提升多无人机在窄通道等受限空间中的通行能力;目标邻域安全控制策略缓解了多无人机在目标区域附近同时到达引起的拥堵与局部冲突。这些结果证明,所提方法能在高动态环境中提升多无人机系统的安全性、协同性与鲁棒性,同时保持轨迹可行性。总体而言,该方法将全局动态风险感知、局部轨迹平滑、在线协同重规划与编队重构整合至统一框架,为所测试的模拟低空城市场景中的三维多无人机轨迹规划提供了可行方案。与仅关注静态障碍物或单无人机路径优化的三维轨迹规划方法相比,本研究更强调动态障碍物干扰下多无人机协同安全与任务执行可靠性,因此更适用于城市低空巡检、物流配送、灾害监测与集群协同任务等应用场景。