本文目录

根据工作区域划分算法
- 全局路径规划中的分类
当前算法的发展方向
算法特性列举（持续更新）
- 全局规划
- 局部规划
相关文献以及思维导图（同步更新）

在无人机的自主导航任务中包含四个重要组成部分：感知、定位、路径规划和运动控制,路径规划则是其中的一大核心问题。
这里将对目前的路径规划算法以及日后的发展趋势做一个简单的介绍，并将相关融合算法的论文进行归档

根据工作区域划分算法

通过无人机的工作区域可以划分为：

全局路径规划： 全局路径规划是依据已知的全局障碍物地图信息，并使用各种寻优算法获取全局最优路径，但存在计算量大、搜索效率低以及收敛速度慢等缺点。

局部路径规划： 局部路径规划是指无人机根据其自身传感器实时采集当前所在位置信息和局部障碍物信息，从而获取起点到目标点的最优路径，具有较高的实时性，但容易陷入局部最优解。

全局路径规划中的分类

全局路径规划又分为传统算法和智能算法，以下为示意图

其中基于神经网络进行路径规划可以分为两种：

第一种为在全局环境己知的情况下，神经网络的输入为路径上各个点的横纵坐标值，用神经网络的并列连接结构反复对各个路径点的横纵坐标值进行迭代，使得目标代价函数最小，达到寻找一条无碰撞最短路径的目的。

第二种为在己知局部环境的情况下，通过对神经网络进行训练，模拟人脑面对障碍物时的反应，借此达到躲避动态障碍物的效果。

当前算法的发展方向

目前无人机的用途日益广泛，随着飞行任务的复杂化需要对算法进行发展，对于其发展可以概括为以下三个思路：
一、改进已有的算法
不同的算法适用于不同的环境之中，针对于不同的应用场景选择不同的算法进行规划，同时进行细节微调。这样的方法可以使得规划更加贴合当前任务要求，但是无法适用于通用场景。
二、算法融合
这是当前规划算法的发展趋势，许多论文进行多个算法的融合以达到互相弥补缺陷的目的，确实有效解决了单一算法效率低下、收敛速度不佳等缺点。
三、高维环境下研究
随着无人机、无人艇的实际应用逐渐普及，通常的二维路径规划将受到许多局限，三维环境下的算法还具有很大的发展空间。

算法特性列举（持续更新）

全局规划

A*
Dijkstra
RRT ：
- 优点：搜索能力强，对于任何的不规则障碍物都可以找到路径且全局最优路径
- 缺点：搜索效率低，收敛速度慢
  - 改进方法：快速随机增长树（RRT*)

局部规划

人工势场（APF)：
其中包含了引力势场和斥力势场；引力势场是目标点 G对无人机的吸引力，引力函数随着目标点对于无人机的距离的减小而增大；斥力势场是障碍点O对于无人机的斥力，同样随着距离的减小而增大，根据情况距离一般取欧氏距离。
- 优点：计算较为简单，复杂度低，计算量小并且具有良好的实时性
- 缺点：目标点不可达和容易陷入局部极小值
  - 改进方法：模拟退火、修正势场函数

动态窗口（DWA)：
首先对无人机的速度空间（线速度，角速度，偏航角）进行采样，然后对无人机的运动学模型对采样的速度进行轨迹预测，通过评价函数对预估的轨迹进行评价。最后从评估的轨迹中选出性能指标最高的一组速度作为无人机的速度输出。

优点：算法具有速度较快，计算不复杂的特点
缺点：

经典路径规划算法分类概述（更新中）

本文目录

根据工作区域划分算法

全局路径规划中的分类

当前算法的发展方向

算法特性列举（持续更新）

全局规划

局部规划

相关文献以及思维导图（同步更新）

经典路径规划算法分类概述（更新中）相关推荐

最新文章

热门文章