基于人工蜂群非确定性双向规划的无人机二维三维路径规划与协同研究

基于人工蜂群非确定性双向规划的无人机二维三维路径规划与协同研究

摘要

本文针对无人机（UAV）在复杂环境中的路径规划问题，提出一种基于人工蜂群算法（ABC）的非确定性双向规划机制搜索算法。通过改进传统 ABC 算法中食物源（路径节点）的产生方式，结合双向搜索策略优化节点生成逻辑，提升路径规划的效率与质量。研究覆盖单无人机（2D/3D）和多无人机协同（2D/3D）场景，提出两种协同模型：不同起点同时到达终点、按指定顺序和时间间隔依次到达终点。实验仿真表明，改进后的算法在路径平滑性、收敛速度和任务适应性上显著优于传统方法，且通过准均匀 B 样条路径平滑技术进一步优化路径质量，工程实现性强。

关键词：人工蜂群算法；非确定性双向搜索；无人机路径规划；协同任务；B 样条平滑

引言

无人机路径规划是自主导航的核心问题，需在动态环境中快速生成安全、高效的路径。传统方法如 A*、RRT 在复杂场景中易陷入局部最优或计算效率低。人工蜂群算法（ABC）通过模拟蜜蜂觅食行为实现全局搜索，但存在节点生成随机性强、收敛慢等问题。本文提出非确定性双向规划机制，结合双向搜索与动态节点调整策略，优化 ABC 算法的路径生成过程，并扩展至多无人机协同场景。

改进的人工蜂群非确定性双向规划算法

传统 ABC 算法的局限性

传统 ABC 算法中，食物源（路径节点）通过随机搜索生成，易导致路径冗余或陷入障碍物。单向搜索模式在复杂环境中效率较低，且缺乏对全局路径连续性的约束。

非确定性双向规划机制

1. 双向搜索策略
   • 正向搜索：从起点出发，基于当前节点生成下一候选点，结合环境信息（如障碍物距离、威胁区域）动态调整搜索方向。
   • 反向搜索：从终点反向生成候选点，与正向路径交叉验证，提前规避无效区域。
   • 双向融合：通过交叉点连接双向路径，减少搜索空间，提升收敛速度。
2. 非确定性节点生成
   • 引入概率模型动态调整节点生成范围：靠近障碍物时缩小搜索半径，开阔区域扩大探索范围。
   • 结合历史路径信息（如成功路径的节点分布）引导搜索方向，平衡探索与开发。
3. 路径优化与平滑
   • 采用准均匀 B 样条对生成的路径散点进行平滑处理，消除锯齿状转折，满足无人机动力学约束。

多无人机协同路径规划模型

协同任务场景

1. 模型一：同时到达同一终点
   • 多无人机从不同起点出发，通过共享环境信息与路径进度，动态调整速度，确保同时抵达终点。
   • 关键问题：时间同步与冲突避免。
2. 模型二：按指定顺序和时间间隔依次到达
   • 无人机按预设顺序（如任务优先级）依次到达终点，时间间隔由任务需求决定。
   • 关键问题：路径隔离与资源分配。

协同机制设计

• 信息共享：通过通信网络实时交换位置、速度和障碍物信息。
• 动态避障：基于优先级规则（如距离终点远近）调整路径，避免碰撞。
• 时间协调：引入时间窗约束，通过速度调整或路径重规划实现同步。

实验仿真与结果分析

实验设置

• 环境：2D/3D 复杂场景（含静态障碍物、动态威胁区域）。
• 对比算法：传统 ABC、RRT*、A*。
• 评价指标：路径长度、规划时间、平滑度、任务完成率。

单无人机路径规划

• 2D 场景：改进算法路径长度缩短 15%，规划时间减少 30%。