雷鵬飛，魏賢智，張啟瑞，齊 鐸，張志浩

(1.空軍工程大學(xué) 空管領(lǐng)航學(xué)院，西安 710051；2.空軍工程大學(xué) 航空工程學(xué)院，西安 710051；3.中國(guó)人民解放軍 93525部隊(duì)，西藏 日喀則 857060)

0 引言

隨著國(guó)家低空開(kāi)放政策的實(shí)施以及無(wú)人機(jī)技術(shù)的飛速發(fā)展[1]，越來(lái)越多的中小型無(wú)人機(jī)將會(huì)穿梭在城市上空，進(jìn)行搜索救援、航空拍攝、氣象觀測(cè)以及貨物運(yùn)送等活動(dòng)。為了保證飛行安全，各國(guó)將無(wú)人機(jī)限制在特定空域內(nèi)進(jìn)行飛行，使無(wú)人機(jī)與有人機(jī)進(jìn)行隔離飛行。但隨著航空技術(shù)與航空事業(yè)的發(fā)展，在有限的空域資源內(nèi)往往存在有人機(jī)、無(wú)人機(jī)以及靜態(tài)障礙共存的混合空域。在混合空域中，一方面，需要無(wú)人機(jī)能在城市密集障礙環(huán)境中對(duì)靜態(tài)的樓宇障礙進(jìn)行有效地自主防碰撞，保證其飛行安全；另一方面，在混合空域中由于動(dòng)態(tài)障礙密集的加大，需要無(wú)人機(jī)能夠?qū)?dòng)態(tài)障礙進(jìn)行快速反應(yīng)，具備在密集動(dòng)態(tài)障礙中快速防碰撞的能力[2]。

目前針對(duì)無(wú)人機(jī)自主防碰撞已經(jīng)有了許多研究。傳統(tǒng)的無(wú)人機(jī)自主防碰撞路徑規(guī)劃算法主要包括：可視圖法、Dijkstra算法、A*算法、RRT算法等?？梢晥D法由Lozano-Perez和Wesley于1979年提出[3]，其將障礙物視為多邊形，機(jī)器人視為一個(gè)點(diǎn)，將起點(diǎn)、障礙物各頂點(diǎn)、終點(diǎn)的所有連線進(jìn)行組合連接，構(gòu)建可視圖的關(guān)鍵在于障礙物各頂點(diǎn)之間可見(jiàn)性的判斷，要求所連接線段不能穿過(guò)多邊形內(nèi)部，而后通過(guò)線段所賦權(quán)值的大小選取最優(yōu)路徑。Dijkstra算法[4]是一種經(jīng)典的廣度優(yōu)先的狀態(tài)空間搜索算法，其通過(guò)計(jì)算起點(diǎn)到環(huán)境模型中任意一點(diǎn)的最短距離從而得到全局最優(yōu)路徑。A*算法在廣度優(yōu)先的基礎(chǔ)上增加了一個(gè)代價(jià)函數(shù) ，既考慮了當(dāng)前節(jié)點(diǎn)與起點(diǎn)的距離代價(jià)，同時(shí)也考慮了當(dāng)前節(jié)點(diǎn)與終點(diǎn)的距離代價(jià)，通過(guò)調(diào)節(jié)的大小來(lái)調(diào)整算法的精度與速度。RRT算法[4]是一種簡(jiǎn)單有效的隨機(jī)算法，通過(guò)從根節(jié)點(diǎn)隨機(jī)向外擴(kuò)散，生成隨機(jī)擴(kuò)展樹(shù)，當(dāng)葉子節(jié)點(diǎn)包含目標(biāo)點(diǎn)時(shí)，即可獲得一條路徑。RRT算法雖然具有搜索效率快，能夠用于高維空間的優(yōu)點(diǎn)，但是其隨機(jī)擴(kuò)展的方式，使得結(jié)果可能并不是最優(yōu)的，并且RRT算法并不適用于狹長(zhǎng)的搜索環(huán)境。

由于約束條件的增加以及環(huán)境模型復(fù)雜度的上升，傳統(tǒng)的路徑規(guī)劃算法在進(jìn)行路徑規(guī)劃時(shí)，存在適應(yīng)性差、難以求解的問(wèn)題。為更好地解決路徑規(guī)劃問(wèn)題，智能優(yōu)化算法應(yīng)運(yùn)而生[5]。

智能優(yōu)化算法主要包括遺傳算法、蟻群算法、粒子群算法以及飛蛾撲火算法等。遺傳算法(GA)是借鑒達(dá)爾文進(jìn)化論、孟德?tīng)栠z傳機(jī)制提出的一種啟發(fā)式搜索算法。其本質(zhì)上是一種并行、全局搜索算法。文獻(xiàn)[6]提出了一種雙循環(huán)遺傳算法(DCGA，double-cycling genetic algorithm)，在實(shí)驗(yàn)考慮環(huán)境模型及運(yùn)動(dòng)約束的情況下，提出了新穎的綜合適應(yīng)度函數(shù)，利用兩次遺傳算法尋找最優(yōu)路徑，在第一次規(guī)劃中使用部分適應(yīng)度函數(shù)，第二次規(guī)劃中使用整體適應(yīng)度函數(shù)；通過(guò)雙循環(huán)機(jī)制，實(shí)現(xiàn)了靜態(tài)規(guī)劃和動(dòng)態(tài)避障相結(jié)合。與傳統(tǒng)遺傳算法相比，DCGA算法路徑規(guī)劃的結(jié)果更加符合實(shí)際。

文獻(xiàn)[7]提出了一種改進(jìn)的自適應(yīng)蟻群算法(IAACO)，通過(guò)引入角度引導(dǎo)因子和障礙物排除因子，對(duì)ACO算法的實(shí)時(shí)性和安全性進(jìn)行改進(jìn)，同時(shí)改進(jìn)了蟻群算法的信息素更新規(guī)則，并將路徑規(guī)劃問(wèn)題轉(zhuǎn)化為多目標(biāo)規(guī)劃問(wèn)題，最后在二維柵格環(huán)境當(dāng)中進(jìn)行仿真實(shí)驗(yàn)，通過(guò)與ACO算法和IACO算法的對(duì)比分析，驗(yàn)證了IAACO算法在保證解的質(zhì)量的同時(shí)，具有更快的收斂速度和更強(qiáng)的全局尋優(yōu)能力。

文獻(xiàn)[8]運(yùn)用BSO算法，其通過(guò)將粒子群算法(PSO)與天牛須算法(BAS)相結(jié)合，運(yùn)用天牛覓食的方式代替粒子尋優(yōu)過(guò)程，并運(yùn)用到三維路徑規(guī)劃當(dāng)中，通過(guò)實(shí)驗(yàn)證明BSO算法加快了迭代收斂速度，降低了算法陷入局部最優(yōu)解的概率。

文獻(xiàn)[9]提出用Lévy飛行軌跡改進(jìn)的飛蛾撲火優(yōu)化算法，提高了路徑規(guī)劃的收斂速度和尋優(yōu)精度；文獻(xiàn)[10]通過(guò)引入自適應(yīng)慣性權(quán)重對(duì)火焰更新機(jī)制進(jìn)行改進(jìn)，通過(guò)對(duì)步長(zhǎng)進(jìn)行自適應(yīng)調(diào)整，對(duì)火焰位置產(chǎn)生擾動(dòng)，充分利用了最優(yōu)火焰的位置，同時(shí)自適應(yīng)的方式很好地平衡了算法的全局搜索能力和局部搜索能力；其次引入遺傳算法交叉算子和高斯變異算子，將每次迭代產(chǎn)生的最優(yōu)火焰與其余火焰進(jìn)行交叉重組，使得算法在前期搜索過(guò)程中能夠跳出局部最優(yōu)，加快算法的搜索效率。

文獻(xiàn)[11]通過(guò)Tent混沌映射對(duì)飛蛾種群的初始化過(guò)程進(jìn)行優(yōu)化，增加了解的均勻性和多樣性，增強(qiáng)了算法的全局搜索能力；而后借鑒模擬退火算法中的Metropolis準(zhǔn)則和遺傳算法的算術(shù)雜交操作，使得算法既能夠以一定概率接受當(dāng)前的劣解，同時(shí)也能夠以一定概率產(chǎn)生擾動(dòng)，起到了既能夠產(chǎn)生擾動(dòng)，同時(shí)又能控制擾動(dòng)誤差的作用。

本文通過(guò)分析人在密集障礙環(huán)境中的思想活動(dòng)，參照人的發(fā)育式學(xué)習(xí)防碰撞機(jī)理，通過(guò)仿人的思維機(jī)制建立了面向混合空域中密集障礙的無(wú)人機(jī)實(shí)體模型和發(fā)育模型，最終構(gòu)建了基于仿人發(fā)育的無(wú)人機(jī)防碰撞方法。能夠有效解決無(wú)人機(jī)在進(jìn)入混合空域時(shí)自主防碰撞飛行，以及幫助無(wú)人機(jī)自主逃脫規(guī)劃路徑中的“死區(qū)”，最終到達(dá)安全區(qū)域。并能在密集障礙環(huán)境中，隨著環(huán)境熟悉度的提升而不斷發(fā)育自身防碰撞行為，減少路徑規(guī)劃所需時(shí)間[12-13]。

1 人的發(fā)育式學(xué)習(xí)防碰撞機(jī)理分析

當(dāng)人在陷入密集障礙中時(shí)，面對(duì)眾多的障礙，其會(huì)在密集障礙中進(jìn)行思考，從而選擇最安全的路徑進(jìn)行防碰撞。并在隨著對(duì)這種碰撞環(huán)境的熟悉程度提升，人會(huì)自身發(fā)育，從而“不假思索”地對(duì)環(huán)境產(chǎn)生反應(yīng)，思考出安全路徑的時(shí)間越來(lái)越短。圖1為人在密集障礙中進(jìn)行發(fā)育式學(xué)習(xí)防碰撞的示意圖，黑色為障礙物，白色為身處障礙環(huán)境中的人，黑色曲線為人通過(guò)思考，對(duì)障礙環(huán)境所規(guī)劃的安全路徑。

圖1 人的發(fā)育式學(xué)習(xí)防碰撞示意圖

在初始遇見(jiàn)這種環(huán)境時(shí)，人往往需要大量的時(shí)間對(duì)障礙進(jìn)行感知、預(yù)判，并通過(guò)大腦計(jì)算規(guī)劃出安全的路徑，但在密集動(dòng)態(tài)障礙環(huán)境中，動(dòng)態(tài)障礙在思考的時(shí)間內(nèi)會(huì)產(chǎn)生位移，影響人的安全，因此需要一種針對(duì)密集動(dòng)態(tài)障礙的快速防碰撞方法。人在密集障礙環(huán)境中會(huì)有一種條件反射式的防碰撞行為，這是因?yàn)殡S著人的成長(zhǎng)，經(jīng)歷過(guò)許多的密集障礙環(huán)境，導(dǎo)致自身會(huì)對(duì)熟悉的環(huán)境進(jìn)行反應(yīng)，并且隨著環(huán)境熟悉度的提升，對(duì)越熟悉的環(huán)境，往往需要思考的時(shí)間更為短暫[14-16]。

2 面向混合空域中密集障礙的實(shí)體模型

2.1 混合空域環(huán)境模型

在混合空域中由于靜態(tài)建筑與建筑之間的空隙通常比較狹窄，并且動(dòng)態(tài)障礙密集難以預(yù)測(cè)，這就為無(wú)人機(jī)的防碰撞帶來(lái)極大困難。如圖2所示，本文構(gòu)建了一個(gè)典型的混合空域環(huán)境模型示意圖，無(wú)人機(jī)的探測(cè)范圍如圖中黑色圓形所示，圖中陰影部分為混合空域中動(dòng)態(tài)障礙密集區(qū)，灰色為靜態(tài)建筑障礙，黑色為動(dòng)態(tài)障礙。無(wú)人機(jī)需要根據(jù)自身攜帶的傳感器在混合空域中保證自身安全并能到達(dá)規(guī)定的目標(biāo)點(diǎn)[17-18]。

圖2 混合空域環(huán)境模型

2.2 無(wú)人機(jī)模型

在無(wú)人機(jī)路徑規(guī)劃的過(guò)程中，無(wú)人機(jī)的飛行軌跡不僅受到環(huán)境因素的影響，同時(shí)也受到因其設(shè)計(jì)、制造過(guò)程中已經(jīng)決定的自身性能的限制。本文針對(duì)的是在城市中使用的中小型旋翼無(wú)人機(jī)，其具有靈活的機(jī)動(dòng)性，可以在飛行時(shí)忽略最小轉(zhuǎn)彎半徑與過(guò)載等因素，因此，我們可以把無(wú)人機(jī)作為一個(gè)可操縱的質(zhì)點(diǎn)[9]，建立旋翼無(wú)人機(jī)的質(zhì)點(diǎn)運(yùn)動(dòng)方程：

圖3 無(wú)人機(jī)柵格化模型

3 仿人思想無(wú)人機(jī)發(fā)育準(zhǔn)則模型

針對(duì)傳統(tǒng)算法難以滿(mǎn)足混合空域密集障礙這種特殊環(huán)境的防碰撞要求，本文綜合運(yùn)用快速隨機(jī)生成樹(shù)模型以及廣度優(yōu)先搜索，在避障過(guò)程中仿照人的思想活動(dòng)構(gòu)造出適用于無(wú)人機(jī)自主防碰撞的發(fā)育準(zhǔn)則模型[19-20]。

快速隨機(jī)生成樹(shù)即快速遍歷隨機(jī)樹(shù)(RRT，rapidly-exploring random tree)，是一種在已知環(huán)境中通過(guò)采樣擴(kuò)展的方式進(jìn)行搜索的算法。就其名稱(chēng)來(lái)看，Rapid-exploration指的是算法的效果，即實(shí)現(xiàn)快速的搜索；Random指的是搜索的方式，通過(guò)在環(huán)境中隨機(jī)采樣的方式探索整個(gè)環(huán)境；Tree指的是已搜索的位置通過(guò)樹(shù)狀結(jié)構(gòu)來(lái)存儲(chǔ)，每個(gè)位置都有自己的父節(jié)點(diǎn)和子節(jié)點(diǎn)，搜索完成的路徑通常是從樹(shù)的根節(jié)點(diǎn)到一個(gè)葉節(jié)點(diǎn)的路徑。該算法主要特點(diǎn)：一是搜索速度快，二是該算法是概率完備的，即如果規(guī)劃時(shí)間足夠長(zhǎng)，且確實(shí)存在一條可行路徑，RRT總是可以找出這條路徑的?；谝陨蟽牲c(diǎn)，該方法經(jīng)常被應(yīng)用于無(wú)人機(jī)的路徑規(guī)劃問(wèn)題。但同時(shí)該算法也有比較明顯的缺點(diǎn)，比如通常不最優(yōu)、規(guī)劃的路徑不平滑等。

廣度優(yōu)先搜索(BFS，breadth first search，寬度優(yōu)先搜索)，是最簡(jiǎn)便的圖的搜索算法之一。BFS算法的核心思路就是：從某個(gè)點(diǎn)一直把其鄰接點(diǎn)走完，然后任選一個(gè)鄰接點(diǎn)把與之鄰接的未被遍歷的點(diǎn)走完，如此反復(fù)走完所有結(jié)點(diǎn)。類(lèi)似于樹(shù)的層序遍歷。廣度優(yōu)先搜索算法關(guān)注的重點(diǎn)在于對(duì)每一層結(jié)點(diǎn)進(jìn)行下一層的訪問(wèn)。

本文將通過(guò)綜合以上兩種算法模擬人的思想活動(dòng)及發(fā)育特性來(lái)實(shí)現(xiàn)無(wú)人機(jī)防碰撞路徑規(guī)劃。

3.1 探索準(zhǔn)則

假設(shè)無(wú)人機(jī)機(jī)載傳感器能夠感知周?chē)系K信息的距離為Rsensor，按照無(wú)人機(jī)的飛行區(qū)間將感知范圍進(jìn)行數(shù)字柵格化，對(duì)可飛域定義為0，障礙區(qū)域定義為1，如圖4所示。

圖4 無(wú)人機(jī)感知范圍柵格化標(biāo)注

利用廣度優(yōu)先算法，尋找一個(gè)飛行步長(zhǎng)內(nèi)所到達(dá)位置并進(jìn)行記錄，再?gòu)倪@些位置開(kāi)始，尋找下一個(gè)飛行步長(zhǎng)所能到達(dá)的所有位置(即兩個(gè)飛行步長(zhǎng)的所有位置)，以此類(lèi)推直到記錄完感知范圍內(nèi)所有飛行區(qū)間，如圖5所示。

圖5 廣度優(yōu)先算法感知障礙示意圖

對(duì)于無(wú)人機(jī)來(lái)說(shuō)，這種廣度優(yōu)先的思想雖然可以遍歷感知范圍，但數(shù)據(jù)量也會(huì)呈指數(shù)型增長(zhǎng)規(guī)劃時(shí)間也會(huì)不斷加大，影響算法的有效性。因此我們引入隨機(jī)生成樹(shù)模型[13]簡(jiǎn)化探索過(guò)程，可以極大減少探索時(shí)間。利用隨機(jī)生成樹(shù)模型進(jìn)行障礙感知的原理如圖6所示，對(duì)于可飛域算法將多個(gè)柵格合并進(jìn)行劃分，而對(duì)障礙區(qū)域則不斷進(jìn)行四等分，并進(jìn)行數(shù)據(jù)記錄。由于隨機(jī)生成樹(shù)具有分層數(shù)據(jù)結(jié)構(gòu)的特點(diǎn)，而我們只需對(duì)障礙區(qū)域進(jìn)行探索，提高了搜索效率[21-22]。

圖6 隨機(jī)生成樹(shù)簡(jiǎn)化障礙搜索模型示意圖

3.2 最優(yōu)路徑準(zhǔn)則

根據(jù)向廣性準(zhǔn)則選取到飛行節(jié)點(diǎn)后，無(wú)人機(jī)有多條路徑進(jìn)行飛行到達(dá)所選取的航點(diǎn)，設(shè)每條路徑的代價(jià)函數(shù)為路徑所遍歷的柵格數(shù)，柵格數(shù)越多代表路徑越長(zhǎng)，長(zhǎng)的飛行路徑不符合無(wú)人機(jī)飛行經(jīng)濟(jì)性要求。可計(jì)算每條路徑的飛行代價(jià)函數(shù)并取得最優(yōu)飛行路徑即代價(jià)函數(shù)最小、經(jīng)歷的柵格數(shù)最小的規(guī)劃路徑：

gpath=min(g1，g2，…，gn)

(2)

3.3 死區(qū)脫逃準(zhǔn)則

由于無(wú)人機(jī)不能獲取全局障礙信息而只能根據(jù)自身機(jī)載傳感器感知外界信息，因此在陷入某些死區(qū)時(shí)很難找到出路。而人在陷入死胡同時(shí)，會(huì)進(jìn)行路徑的“試錯(cuò)”，即隨機(jī)挑選一條路徑行走并進(jìn)行記錄，當(dāng)此路不通，則返回路口繼續(xù)尋找另外路徑直到找到正確的出口為止。本文仿照這種思想進(jìn)行編程，在無(wú)人機(jī)發(fā)現(xiàn)進(jìn)入死區(qū)后，則返回上一飛行航路點(diǎn)，并選擇其它點(diǎn)作為下一飛行節(jié)點(diǎn)，如下所示：

算法: 死區(qū)脫逃準(zhǔn)則

重復(fù)

If 進(jìn)入死區(qū)

Then 回到上一節(jié)點(diǎn)opt(dot)

重新挑選路徑節(jié)點(diǎn)

直到 逃離死區(qū)

3.4 鄰居集準(zhǔn)則

在無(wú)人機(jī)從死區(qū)逃出，并選擇另外通路，此時(shí)雖然不會(huì)選擇上一航路點(diǎn)進(jìn)行飛行，但選擇與上一航路點(diǎn)非常接近的航路點(diǎn)有時(shí)也可能會(huì)進(jìn)入同一死區(qū)。如圖7所示，無(wú)人機(jī)在通過(guò)航點(diǎn)1進(jìn)入死區(qū)并逃出后，此時(shí)還有航點(diǎn)2，3進(jìn)行飛行，但選擇航點(diǎn)2則會(huì)進(jìn)入同一死區(qū)，造成重復(fù)探索甚至威脅無(wú)人機(jī)安全。

圖7 不同航點(diǎn)進(jìn)入相同死區(qū)示意圖

為了避免這種重復(fù)性的探索，我們定義鄰居集的概念，在無(wú)人機(jī)進(jìn)入死區(qū)需要重新尋找路徑點(diǎn)時(shí)，避開(kāi)當(dāng)前位置點(diǎn)周?chē)欢ǚ秶狞c(diǎn)，這一定的范圍即我們定義的鄰居集，從而可以使無(wú)人機(jī)在同一死區(qū)僅探索一次，提高搜索效率。假設(shè)在t時(shí)刻，無(wú)人機(jī)從死區(qū)逃脫并已知其最后從死區(qū)脫逃點(diǎn) ，則可定義與毗鄰點(diǎn)為其鄰居集，如式(3)所示：

(3)

尋找與D毗鄰點(diǎn)的鄰居，可找出下一次需要避免進(jìn)入同一死區(qū)的所有鄰居集，則在進(jìn)行航路點(diǎn)選取時(shí)，只需避免這些死區(qū)鄰居集D(X，Y) ，即可避免進(jìn)入同一死區(qū)。如圖7中黑色點(diǎn)集，航路點(diǎn)1，2屬于同一鄰居集，而航路點(diǎn)3屬于另外鄰居集。

3.5 發(fā)育準(zhǔn)則

無(wú)人機(jī)所感知到的所有信息被傳送到大腦思考模塊，進(jìn)行經(jīng)驗(yàn)知識(shí)和當(dāng)前環(huán)境的對(duì)比判斷，將獲取到的知識(shí)在當(dāng)前環(huán)境下，根據(jù)感知到的經(jīng)驗(yàn)知識(shí)，進(jìn)行推演、判斷，從而完成自身的發(fā)育行為。假設(shè)無(wú)人機(jī)的大腦為B(t)，則B(t)的時(shí)變狀態(tài)更新函數(shù)ft與以下參數(shù)有關(guān)：感知信號(hào)集合S(t)、動(dòng)作控制集合C(t)、無(wú)人機(jī)自身參數(shù)E以及當(dāng)前時(shí)刻的“大腦”B(t)，則可構(gòu)建無(wú)人機(jī)的發(fā)育準(zhǔn)則為在當(dāng)前變量基礎(chǔ)上的不斷更新記憶的過(guò)程：

B(t+1)=ft(S(t)，C(t)，E，B(t))

(4)

4 混合空域中無(wú)人機(jī)發(fā)育防碰撞方法的實(shí)現(xiàn)

通過(guò)本文對(duì)比人的發(fā)育式學(xué)習(xí)防碰撞思想，結(jié)合廣度優(yōu)先算法與快速生成隨機(jī)樹(shù)算法構(gòu)建出相應(yīng)的算法準(zhǔn)則并考慮鄰居集概念以及死區(qū)脫離機(jī)制，繼而設(shè)計(jì)混合空域中無(wú)人機(jī)發(fā)育防碰撞算法體系如圖8所示。

圖8 混合空域中無(wú)人機(jī)發(fā)育防碰撞算法體系圖

如圖8所示，在進(jìn)行無(wú)人機(jī)避撞航路規(guī)劃時(shí)，首先按照廣度優(yōu)先與隨機(jī)生成樹(shù)相結(jié)合的方式對(duì)柵格化的地圖進(jìn)行搜索尋找代價(jià)函數(shù)最低的規(guī)劃路徑，并判斷當(dāng)前是否進(jìn)入死區(qū)，如果進(jìn)入死區(qū)則返回上一個(gè)路徑點(diǎn)并在下一步的搜索中避免選擇進(jìn)入同一死區(qū)的所有鄰居集路徑點(diǎn)，如果沒(méi)有進(jìn)入死區(qū)則繼續(xù)進(jìn)行路徑的規(guī)劃直到到達(dá)目標(biāo)點(diǎn)。

5 仿真與分析

為了驗(yàn)證本文所提出的面向混合空域的無(wú)人機(jī)發(fā)育防碰撞算法在復(fù)雜環(huán)境中的有效性，本節(jié)從兩個(gè)方面對(duì)算法性能進(jìn)行仿真和分析：一是與傳統(tǒng)的A-Star算法進(jìn)行避障比較以及與基于圖論思想的Voronoi算法進(jìn)行對(duì)比分析，二是通過(guò)算法在同一環(huán)境中的不斷重復(fù)并記錄算法規(guī)劃航路的時(shí)間變化，測(cè)試其發(fā)育防碰撞性能。

5.1 仿真對(duì)比分析

假設(shè)無(wú)人機(jī)飛行速度2 m/s，初始位置在混合空域中。圖9是傳統(tǒng)A-Star算法與本文發(fā)育算法仿真結(jié)果對(duì)比圖。由圖中可以看出，傳統(tǒng)A-Star算法在陷入死區(qū)時(shí)并不能自主改出，無(wú)法為無(wú)人機(jī)提供安全的防碰撞航路。而本文所的發(fā)育算法能在進(jìn)入死區(qū)后根據(jù)所構(gòu)建的規(guī)則合理地規(guī)避障礙，并逃離死區(qū)。

圖9 A-Star算法與發(fā)育算法自主防碰撞對(duì)比示意圖

圖10是基于Voronoi算法與本文發(fā)育算法的防碰撞效果仿真對(duì)比圖。從圖中可以看出，基于Voronoi算法很容易從障礙中穿行而過(guò)，而這種航線會(huì)嚴(yán)重威脅到無(wú)人機(jī)的安全。而在本文所構(gòu)建的發(fā)育防碰撞思想，可以避開(kāi)密集障礙，且在有限的可飛域中選擇安全的航路。

通過(guò)與A-Star算法和基于圖論思想的Voronoi算法進(jìn)行比較我們發(fā)現(xiàn)，本文提出的發(fā)育算法在進(jìn)行無(wú)人機(jī)避障路徑規(guī)劃中可以給出合理的避障路徑并且避免了無(wú)人機(jī)為了避障而陷入“死胡同”無(wú)法到達(dá)目標(biāo)點(diǎn)的情況。相比于兩種傳統(tǒng)方法而言，具有明顯優(yōu)勢(shì)。

5.2 發(fā)育防碰撞算法測(cè)試

設(shè)定無(wú)人機(jī)的仿真環(huán)境為統(tǒng)一仿真環(huán)境，為保證發(fā)育防碰撞算法測(cè)試的有效性，預(yù)先規(guī)劃好動(dòng)態(tài)障礙的行進(jìn)路線。在同一環(huán)境中對(duì)算法不斷進(jìn)行測(cè)試，可以得到在環(huán)境中無(wú)人機(jī)防碰撞并且脫離混合空域的時(shí)間如圖11所示?？梢钥闯觯S著環(huán)境熟悉度的提升，無(wú)人機(jī)脫離混合空域密集障礙的時(shí)間越來(lái)越短，如同人一樣在對(duì)環(huán)境進(jìn)行記憶不斷提高熟悉程度，達(dá)到發(fā)育的目的。當(dāng)發(fā)育到一定程度，無(wú)人機(jī)無(wú)法再進(jìn)行時(shí)間上的提升，這是由于已經(jīng)到達(dá)了最優(yōu)化，因此在自身性能之內(nèi)，對(duì)環(huán)境已經(jīng)十分熟悉，發(fā)育完全，不能再進(jìn)行時(shí)間上的縮短。

圖11 發(fā)育防碰撞算法測(cè)試圖

綜合上述仿真結(jié)果可知，根據(jù)仿人發(fā)育防碰撞思想構(gòu)建無(wú)人機(jī)飛行準(zhǔn)則進(jìn)行發(fā)育防碰撞路徑規(guī)劃的方法，使得無(wú)人機(jī)可以在混合空域密集障礙中進(jìn)行高效合理的安全飛行，并且在進(jìn)入死區(qū)后能夠自主尋找逃出死區(qū)的合理航路。并且隨著環(huán)境熟悉度的提升，無(wú)人機(jī)自主規(guī)劃脫離混合空域密集障礙的時(shí)間越來(lái)越短，如同人一樣在對(duì)環(huán)境進(jìn)行記憶，不斷提高熟悉程度，達(dá)到發(fā)育的目的一樣。與其他算法相比，本文算法由于具有發(fā)育的特性，因此有更好的防碰撞性能，更加適合于混合空域密集障礙環(huán)境中無(wú)人機(jī)的安全飛行。

6 結(jié)束語(yǔ)

隨著航空技術(shù)與航空事業(yè)的不斷繁榮，尤其是無(wú)人機(jī)領(lǐng)域的蓬勃發(fā)展，在有限的空域資源內(nèi)有人機(jī)、無(wú)人機(jī)以及靜態(tài)障礙共存的混合空域已成必然趨勢(shì)，而對(duì)于混合空域密集障礙中無(wú)人機(jī)的安全飛行是非常重要的問(wèn)題，現(xiàn)有的無(wú)人機(jī)避障路徑規(guī)劃方法普遍還有一定的局限性。本文通過(guò)考慮人的發(fā)育式學(xué)習(xí)防碰撞機(jī)理，基于仿人的思維機(jī)制建立相關(guān)的要素模型以及算法準(zhǔn)則，結(jié)合廣度有限、快速生成隨機(jī)樹(shù)等經(jīng)典算法以及死區(qū)逃脫、鄰居集等概念，給出了混合空域密集障礙中的無(wú)人機(jī)仿人發(fā)育自主防碰撞算法。仿真實(shí)驗(yàn)和分析證明，本文方法對(duì)于密集的靜態(tài)、動(dòng)態(tài)障礙的防碰撞是有效的，同時(shí)和傳統(tǒng)的路徑規(guī)劃算法相比更加安全可靠。并且隨著對(duì)環(huán)境的熟悉，無(wú)人機(jī)通過(guò)自身發(fā)育，需要進(jìn)行防碰撞算法計(jì)算的時(shí)間越來(lái)越短，如同人對(duì)陌生環(huán)境逐漸熟悉之后，路越走越通。后續(xù)對(duì)于如何將算法應(yīng)用于實(shí)踐，并且將算法拓展為三維防碰撞，是我們今后需要深入研究的方向。