Transformer引导的干扰感知三维路径规划用于城市体素环境中的无人机导航

《Drones》：Transformer-Guided Interference-Aware 3D Path Planning for UAV Navigation in Urban Voxel Environments

　　

城市无人机（UAV）导航可能需要考虑几何障碍物和空间变化的通信相关风险的路径规划。本文提出了一种Transformer引导的干扰感知三维路径规划方法，用于城市体素环境。一个三维卷积神经网络（CNN）–Transformer网络从占用率、电磁风险、起点-目标和辅助规划通道中预测密集的路线概率场。该场被恢复至原始地图分辨率，并仅作为A*搜索在原始占用率和风险地图上的搜索先验。障碍物规避、终点正确性、六连通运动（每次移动到达六个面相邻体素之一，无对角运动）以及最终路径成本评估由图形搜索而非神经模型强制执行。在涵盖四种地图尺寸和四种建筑密度设置的320个合成城市案例中，引导A*相较于A*实现了27.7倍的加速，并将扩展节点减少了91.2%，同时平均路径成本仅小幅增加。与快速探索随机树（RRT）相比，该方法在相似运行时间下将路径成本降低了10.1%，电磁暴露降低了12.0%。一项训练后的敏感性研究进一步识别了路线先验引导、电磁风险规避、路线长度和搜索努力之间的经验平衡，而曼哈顿权重则表现出预期的启发式膨胀效率-质量权衡。一个在更大混合数据（包括程序化生成和Sionna RT射线追踪数据，以及真实OpenStreetMap建筑几何）上训练的扩展模型，在无需重新训练的情况下，在两个真实几何基准（UrbanRadio3D和OpenStreetMap–Sionna RT套件）上进一步评估，引导A*保持了100%的成功率，并将扩展节点相对于A*减少了97–99%，同时平均路径成本增加最多为1.7%。

**论文解读：Transformer引导的干扰感知三维路径规划用于城市体素环境中的无人机导航**

**研究背景与问题**
城市无人机（UAV）导航日益应用于低空巡检、应急响应、城市监控和物流等领域。在这些应用中，路径规划不仅需要避开几何障碍物，还需考虑空间变化的通信相关风险，例如电磁干扰可能影响无人机数据链、导航和控制子系统。传统的图搜索方法（如A*）虽然能显式地处理障碍物和运动约束，但在大规模三维体素地图中，由于成本函数包含几何距离和电磁风险，基于距离的启发式函数可能导致大量不必要的节点扩展，效率低下。采样方法（如RRT）虽能快速找到可行路径，但在累积电磁风险目标下，可行性并不保证低成本。学习型规划器能学习全局空间模式，但直接输出路径可能违反障碍物约束、终点正确性或连通性，不适合安全敏感场景。因此，研究人员提出一种混合策略：利用学习引导搜索而非替代搜索，以兼顾效率与显式验证。

**研究内容与结论**
研究人员提出了一种Transformer引导的干扰感知三维路径规划方法。该方法利用CNN–Transformer网络从多通道体素输入（占用率、电磁风险、起点-终点指示、距离图、风险权重和有效掩码）预测密集路线概率场，该场被恢复至原始地图分辨率并仅作为A*搜索的优先先验。最终路径仍由原始占用率和风险地图上的显式图搜索生成，确保障碍物规避、终点正确性和六连通运动约束。在320个合成城市案例中（四种地图尺寸和四种建筑密度），引导A*相较于A*实现了27.7倍加速和91.2%的节点减少，平均路径成本仅增加2.70%，电磁暴露增加5.74%。与RRT相比，路径成本降低10.11%，电磁暴露降低12.0%。在真实几何基准（UrbanRadio3D和OpenStreetMap–Sionna RT套件）上，扩展模型（在程序化、射线追踪和真实几何数据上训练）无需重新训练即实现100%成功率，节点减少97–99%，路径成本增加最多1.7%，最差情况增加7.34%。该研究发表在《Drones》期刊上，表明学习到的路线先验能显著提升干扰感知无人机路径规划的效率，同时保留显式图验证。

**主要技术方法**
研究人员采用的关键技术方法包括：（1）CNN–Transformer网络架构，用于从七通道标准化体素输入预测密集路线概率场；（2）原始地图标准化与恢复策略，允许固定分辨率神经推理同时保留原始分辨率规划验证；（3）引导A*解码策略，将学习到的概率场作为搜索优先先验，与曼哈顿距离启发式结合；（4）合成城市体素场景生成器，产生四种场景类型（开阔、密集、狭窄、多路径）并设置程序化电磁风险场；（5）基于Sionna RT的射线追踪电磁风险场生成，用于扩展训练和真实几何评估。样本来源包括程序化生成场景、OpenStreetMap真实建筑几何和UrbanRadio3D公共数据集。

**研究结果**
**4.4 总体比较**：在320个案例上，引导A*相较于A*实现27.7倍加速，扩展节点减少91.2%，路径成本增加2.70%，电磁暴露增加5.74%。与RRT相比，路径成本降低10.11%，电磁暴露降低11.97%。
**4.5 不同地图尺寸下的定量结果**：引导A*在所有测试地图尺寸上均是最快的图搜索规划器，加速比范围为21.2×至33.0×（相对于A*），路径成本增加1.7%至3.8%。
**4.6 场景分析**：在开阔场景中，引导A*实现79.1倍加速（相对于A*）；狭窄场景为14.5倍；多路径场景为11.8倍，但该场景保留的搜索负担最大（平均52,472个扩展节点）。
**4.7 密度分析**：在所有建筑密度下，引导A*保持最快，成本增加在2.30%–3.40%之间。
**4.8 搜索参数敏感性**：路线先验权重w_p在参考值4.0时提供经验平衡；曼哈顿权重w_m保持标准A*尺度（1.0），避免与加权A*的额外1.5倍混淆；风险权重w_r改变优化目标，搜索努力非单调变化。
**4.9 尾部行为**：相对于加权A*，路径成本中位数增加1.70%，95百分位9.93%，最大23.59%；电磁暴露相应变化为2.88%、27.02%和59.34%。最差情况发生在密集场景中，引导A*选择了一个高风险的走廊。
**4.11 真实几何基准零样本评估**：在UrbanRadio3D（100案例）上，引导A*节点减少97.09%，路径成本增加1.67%；在Sionna-OSM（24案例）上，节点减少99.04%，成本增加0.73%。两组均无回退。
**4.12 训练数据消融**：从仅程序化（O）到添加射线追踪（O+A）再到添加真实几何（O+A+B），节点减少逐步提升，路径成本接近A*参考。
**4.13 引导融合消融**：混合启发式（曼哈顿+概率项）是唯一显著减少节点扩展的变体（97.09%），概率仅启发式扩展节点反而增加34.35%。
**4.14 风险成本映射敏感性**：量化级别（3、5、7级）对路径成本影响可忽略（<0.25%），线性映射则改变任务目标。
**4.15 跨设置泛化**：在不同障碍物密度和城市区域中，引导A*保持100%成功率，节点减少95.64%–99.29%，路径成本增加≤2.21%。

**讨论与结论**
讨论部分指出，该方法为神经预测与显式搜索的混合设计，保持了可行性、连通性和成本评估的显式性，同时利用学习场减少不必要的探索。合成基准测试展示了效率与质量之间的权衡，尾部分析揭示了学习先验在不利情况下的局限。扩展实验表明，训练数据多样性（特别是物理射线追踪场）对迁移至关重要。研究结论总结为：本文提出了一种Transformer引导的干扰感知三维路径规划方法，在320案例合成基准上，引导A*相较于A*实现27.7倍加速和91.2%节点减少，路径成本仅增加2.70%；在真实几何基准上，节点减少97–99%，成本增加最多1.7%，最差情况7.34%。该方法在高层仿真中结合了高效学习引导与显式离散路径验证，物理无线电验证和动态可行轨迹生成仍需后续工作。