基于改进A*引导初始化的固定翼无人机高效轨迹规划方法

《Applied Sciences》：An Efficient Trajectory Planner for Fixed-Wing UAVs via Improved A*-Guided Initialization

　　

本研究提出了一种基于改进A引导初始化策略的高效固定翼无人机（UAV）轨迹规划方法，适用于复杂障碍环境。研究人员开发了一种改进的三维A方法，以生成平滑且无碰撞的全局路径，同时提升搜索效率与路径质量。所生成的路径随后被转换为包含动力学信息的状态与控制轨迹，作为轨迹优化的初始猜测。在不同障碍复杂度下的仿真结果表明，与传统的线性插值初始化方法相比，所提方法显著提升了求解成功率与计算效率，同时生成了更合理的避障策略、更平滑的状态变化以及更协调的控制输入。

基于改进A*引导初始化的固定翼无人机高效轨迹规划方法解读

一、研究背景与问题提出

固定翼无人机（UAV）凭借长航时、高速度和大载荷能力等优势，在侦察监视、物流运输、灾害巡检及自主作业等任务中得到广泛应用。在实际飞行任务中，规划出的轨迹不仅要满足复杂环境下的安全性和避障要求，还需为后续的轨迹跟踪和飞行控制提供合适的运动参考。因此，生成高质量轨迹对于保障规划过程的安全性和飞行效率，以及促进后续轨迹执行均具有重要意义。

当前复杂环境下的无人机轨迹规划方法主要分为基于几何的方法和基于优化的方法两大类。基于几何的方法包括A算法、RRT/RRT算法及人工势场法等，这些方法利用环境几何信息高效搜索无碰撞路径，具有较高的搜索效率和复杂环境适应能力。然而，固定翼无人机受气动特性、最小速度、最小转弯半径及非完整运动学约束的限制，可行轨迹空间更为受限。几何规划方法的输出通常仅包含位置序列，缺乏速度、姿态和控制输入等完整的飞行动力学信息，因此不能直接作为满足固定翼无人机动力学约束的可执行轨迹。

基于优化的方法主要包括智能优化方法和最优控制方法。智能优化方法如粒子群优化、遗传算法和蚁群优化等，本质上依赖随机或种群搜索，在同时考虑复杂动力学、状态和控制约束时，可能产生大量不可行候选解，需要额外的惩罚函数或约束处理机制，增加了算法复杂度和计算成本。最优控制方法能够将飞行动力学、状态约束、控制约束和环境约束直接纳入统一的优化框架，是固定翼无人机轨迹规划的重要途径，代表性方法包括伪谱法、直接配点法和序列凸优化等。然而，轨迹规划问题通常高度非线性和非凸，最优控制方法对初始猜测高度敏感，优化过程可能收敛到局部最优甚至无法收敛。因此，构建高质量初始猜测成为提升最优控制方法计算性能的重要研究方向。对于在复杂三维障碍环境中运行的固定翼无人机，如何从全局路径自动构建兼具良好几何特性和动力学信息的初始轨迹，仍是一个有待解决的问题。

二、研究内容与意义

针对上述问题，研究人员提出了一种基于改进A引导初始化的高效轨迹规划方法（IA-RPM），将固定翼无人机轨迹规划问题建模为最优控制问题，并采用Radau伪谱法（RPM）求解。该方法的主要贡献包括：开发了改进A（IA）算法用于轨迹优化初始化，通过提升复杂三维环境中的搜索效率和参考路径质量，为后续轨迹优化提供高质量几何路径；开发了由IA*算法引导的自动轨迹初始化方法，将全局路径自动转换为满足固定翼无人机飞行动力学约束的状态轨迹和控制历史，从而将几何路径转化为包含动力学信息的初始轨迹；通过不同环境复杂度下的仿真实验，从求解成功率、计算效率、迭代次数和优化轨迹质量等方面验证了所提方法的有效性。研究结果表明，该方法有效提升了轨迹优化的收敛性能，同时提高了复杂障碍环境中的计算效率和求解稳定性。该论文发表在《Applied Sciences》期刊上。

三、关键技术方法概述

研究人员主要采用了以下关键技术方法：改进A（IA）算法，通过目标导向稀疏扩展策略将每节点候选子节点数从26个减少至10个，降低约61.5%的计算开销，并引入回退搜索机制以保证特殊障碍环境下的搜索完整性；路径点简化方法，通过检测连续转弯的相反趋势消除锯齿形路径段；B样条曲线连续性优化，采用累积弧长参数化构建三次B样条以替代原始分段线性路径；基于路径曲率的速度剖面构建方法，根据曲率大小调整飞行速度；通过动力学反演重构控制历史，利用牛顿-拉夫逊迭代求解迎角；Radau伪谱方法（RPM）将连续最优控制问题离散化为非线性规划（NLP）问题并求解。

四、研究结果

案例1：IA轨迹规划算法性能评估。 通过在包含2、4、6个障碍物的低、中、高复杂度环境中对比TA和IA算法的性能，研究发现IA相比TA将平均计算时间减少约54%-56%，且计算时间标准差保持在2ms以下，表现出更稳定的计算性能。在路径几何质量方面，IA将累计转弯角度从829.471°降至230.149°，减少72.2%；将反向转弯次数从15次降至5次，减少66.7%，生成更平滑的参考路径。

案例2：IA-RPM收敛性与计算效率评估。 在1至6个障碍物的六种环境中各进行50次独立试验，IA-RPM在所有环境中保持100%的求解成功率，而基于线性插值（LI）初始化的LI-RPM成功率随障碍物增加逐渐下降，在6个障碍物时仅为74%。IA-RPM的平均计算时间从0.21s增加至1.16s，而LI-RPM从1.15s增加至2.66s。迭代次数箱线图显示，IA-RPM在所有场景中保持较低的迭代次数且分布更集中，而LI-RPM出现多个高迭代异常值，表明IA*-RPM有效提升了优化过程的稳定性。

案例3：复杂环境中IA-RPM轨迹质量验证。 在包含10个障碍物的密集复杂环境中，IA-RPM生成的优化轨迹从侧面绕过密集障碍区域，而LI-RPM在中央半球形障碍物附近出现明显爬升。IA-RPM的飞行时间为12.98s，较LI-RPM的18.30s减少29.07%；迭代次数从299次降至55次，减少81.61%；CPU时间从11.26s降至2.76s，减少75.49%。在状态变量方面，IA-RPM表现出更平滑的高度变化、更低的最大飞行高度、更高的最小速度（196.11m/s对比131.27m/s）以及更小幅度和更平滑的迎角变化。

五、讨论与结论

研究人员指出，本研究主要考虑静态三维障碍环境，实际任务可能涉及动态障碍物、突发威胁和任务目标变化，对轨迹规划方法的在线重规划能力提出更高要求。此外，当前研究主要使用线性插值作为基本初始化基线，与更具代表性的轨迹规划和热启动方法的系统性能对比仍有待开展。

研究结论表明，所提出的IA-RPM方法在复杂三维障碍环境中具有显著优势：IA算法在搜索效率和几何路径质量方面明显优于TA算法；与基于线性插值初始化的LI-RPM相比，IA-RPM显著减少了轨迹优化求解器所需的迭代次数和计算时间，同时实现了更短的飞行时间和更平滑的状态变化。高质量且包含动力学信息的初始猜测能够有效引导伪谱优化过程，降低计算成本的同时生成综合性能更优的可行轨迹，验证了所提初始化策略在复杂环境中提升轨迹优化性能的有效性。未来工作将聚焦于在线重规划和滚动时域优化机制，以及引入更具代表性的对比方法和系统的参数敏感性分析。