基于强化学习Q-learning算法的无人机三维路径规划算法原理与实现，MATLAB代码

优质文章学习记录

11 Apr 2026 — 8 min read

一、算法概述

本文基于Q-learning离线强化学习，实现三维栅格环境下无人机无碰撞、最短路径、最少步数路径规划。无人机具备1格/2格三维全向移动、对角线飞行、悬停能力，通过与环境交互迭代学习最优策略，以到达终点、路径距离、移动步数、避障为核心目标，输出满足约束的最优飞行路径。

二、环境与核心建模

1. 三维状态空间

将无人机飞行空间离散化为三维栅格地图，状态定义为无人机坐标：
S={(x,y,z)∣1≤x≤Xmax, 1≤y≤Ymax, 1≤z≤Zmax} S = \left\{ (x,y,z) \mid 1 \le x \le X_{max},\ 1 \le y \le Y_{max},\ 1 \le z \le Z_{max} \right\} S={(x,y,z)∣1≤x≤Xmax, 1≤y≤Ymax, 1≤z≤Zmax}

(x,y,z)(x,y,z)(x,y,z)：无人机空间位置
Xmax,Ymax,ZmaxX_{max},Y_{max},Z_{max}Xmax,Ymax,Zmax：地图边界（代码中为10×10×1010 \times 10 \times 1010×10×10）

2. 动作空间（代码实现）

共54种动作，包含：

6个轴向1格移动、12个平面斜向1格移动、8个空间斜向1格移动
6个轴向2格移动、12个平面斜向2格移动、8个空间斜向2格移动
1个悬停动作 (0,0,0)(0,0,0)(0,0,0)

动作集合：
A={(Δx,Δy,Δz)∣Δx,Δy,Δz∈{−2,−1,0,1,2}, 非全零}∪{(0,0,0)} A = \{ (\Delta x,\Delta y,\Delta z) \mid \Delta x,\Delta y,\Delta z \in \{-2,-1,0,1,2\},\ 非全零 \} \cup \{ (0,0,0) \} A={(Δx,Δy,Δz)∣Δx,Δy,Δz∈{−2,−1,0,1,2}, 非全零}∪{(0,0,0)}

3. 约束条件

边界约束：坐标必须在地图范围内
避障约束：禁止进入障碍物坐标
目标约束：从起点(2,2,2)(2,2,2)(2,2,2)到达终点(9,9,8)(9,9,8)(9,9,8)

三、Q-learning核心数学原理

1. Q值函数

Q(s,a)Q(s,a)Q(s,a) 表示状态sss下执行动作aaa的长期累积奖励期望，是算法核心决策依据：
Q(s,a)←Q(s,a)+α⋅[R(s,a)+γ⋅max⁡a′Q(s′,a′)−Q(s,a)] Q(s,a) \leftarrow Q(s,a) + \alpha \cdot \left[ R(s,a) + \gamma \cdot \max_{a'} Q(s',a') - Q(s,a) \right] Q(s,a)←Q(s,a)+α⋅[R(s,a)+γ⋅a′maxQ(s′,a′)−Q(s,a)]
参数定义：

α\alphaα：学习率，控制更新步长（代码中动态衰减：0.25→0.050.25 \to 0.050.25→0.05）
γ\gammaγ：折扣因子，权衡远期奖励（代码中γ=0.99\gamma=0.99γ=0.99）
R(s,a)R(s,a)R(s,a)：即时奖励
s′s's′：执行动作后的新状态
max⁡Q(s′,a′)\max Q(s',a')maxQ(s′,a′)：下一状态最优动作价值

2. 动作选择策略

采用**ε\varepsilonε-贪心策略+动态衰减**，平衡探索与利用：
π(a∣s)={arg⁡max⁡aQ(s,a)概率 1−ε（利用最优策略）随机合法动作概率 ε（探索未知环境） \pi(a|s)= \begin{cases} \arg\max\limits_a Q(s,a) & 概率\ 1-\varepsilon（利用最优策略）\\ 随机合法动作 & 概率\ \varepsilon（探索未知环境） \end{cases} π(a∣s)={argamaxQ(s,a)随机合法动作概率 1−ε（利用最优策略）概率 ε（探索未知环境）
ε\varepsilonε 随训练指数衰减：ε=max⁡(εmin, ε0⋅e−0.007⋅episode)\varepsilon = \max(\varepsilon_{min},\ \varepsilon_0 \cdot e^{-0.007 \cdot episode})ε=max(εmin, ε0⋅e−0.007⋅episode)

四、奖励函数Reward设计

本算法以路径最短、无碰撞、必达终点、步数最少为目标，奖励函数分4类场景设计：

1. 奖励函数数学表达式

R(s,a)={3500−15⋅dstep−5⋅Nstep到达终点−1500碰撞障碍物/越界30⋅(dcur−dnext)−10⋅dstep−2⋅Nstep−10悬停30⋅(dcur−dnext)−10⋅dstep−2⋅Nstep正常飞行 R(s,a)= \begin{cases} 3500 - 15 \cdot d_{step} - 5 \cdot N_{step} & \text{到达终点}\\ -1500 & \text{碰撞障碍物/越界}\\ 30 \cdot (d_{cur}-d_{next}) -10 \cdot d_{step} -2 \cdot N_{step} -10 & \text{悬停}\\ 30 \cdot (d_{cur}-d_{next}) -10 \cdot d_{step} -2 \cdot N_{step} & \text{正常飞行} \end{cases} R(s,a)=⎩⎨⎧3500−15⋅dstep−5⋅Nstep−150030⋅(dcur−dnext)−10⋅dstep−2⋅Nstep−1030⋅(dcur−dnext)−10⋅dstep−2⋅Nstep到达终点碰撞障碍物/越界悬停正常飞行

2. 奖励项详细介绍

到达终点（最高奖励）
- 基础奖励：+3500+3500+3500，保证无人机优先到达目标
- 惩罚项：单步距离越长、总步数越多，奖励越低，强制最短路径+最少步数
碰撞障碍物/越界（最高惩罚）
- 惩罚：−1500-1500−1500，让无人机彻底学会避障，杜绝碰撞
悬停动作（额外惩罚）
- 惩罚：−10-10−10，避免无人机无效停留，提升飞行效率
正常飞行（启发式引导）
- 靠近终点：+30⋅(dcur−dnext)+30 \cdot (d_{cur}-d_{next})+30⋅(dcur−dnext)，距离缩短越多奖励越高
- 远离终点：自动产生负奖励，引导无人机向目标飞行
- 距离惩罚：−10⋅dstep-10 \cdot d_{step}−10⋅dstep，飞行距离越长惩罚越高
- 步数惩罚：−2⋅Nstep-2 \cdot N_{step}−2⋅Nstep，步数越多惩罚越高

3. 奖励设计核心目标

✅ 无人机必须到达终点
✅ 无人机绝对不碰撞障碍物
✅ 飞行路径欧氏距离最小
✅ 飞行移动步数最少
✅ 禁止无效悬停，提升飞行效率

五、算法步骤

阶段1：参数初始化

初始化三维地图、起点、终点、障碍物坐标
定义54种移动动作+1种悬停动作
初始化四维Q表：Q(Xmax,Ymax,Zmax,A)=0Q(X_{max},Y_{max},Z_{max},A) = 0Q(Xmax,Ymax,Zmax,A)=0
设置超参数：α,γ,ε\alpha,\gamma,\varepsilonα,γ,ε、训练轮数、最大步长

阶段2：Q-learning训练迭代

for 每一轮训练 episode = 1:max_episode 动态衰减学习率α和探索率ε 无人机重置到起点，清空路径、奖励、步数 for 每一步飞行 step = 1:max_step 1. 动作剪枝：剔除越界、碰撞障碍物的无效动作 2. ε-贪心策略选择最优/随机动作 3. 执行动作，得到新状态s' 4. 计算即时奖励R（核心：避障+距离+步数+终点） 5. 更新Q值：Q(s,a) ← Q(s,a)+α[R+γ·maxQ(s',a')−Q(s,a)] 6. 判断终止：到达终点/碰撞/越界 7. 更新状态、累计奖励、飞行路径 end 计算本轮总距离、总步数、总奖励并保存 end

阶段3：最优路径规划

加载训练完成的Q表
从起点出发，每一步选择Q(s,a)Q(s,a)Q(s,a)最大的动作
严格校验边界与障碍物，保证无碰撞
到达终点后，输出最优路径、总步数、总距离

阶段4：结果可视化

绘制奖励收敛曲线
绘制路径距离收敛曲线
绘制三维最优路径、起点、终点、障碍物

六、部分MATLAB代码及结果

% 最终结果 final_steps = size(path,1)-1; final_dist =0;for i =1:final_steps final_dist = final_dist + norm(path(i+1,:)-path(i,:)); end fprintf('\n=========================================\n'); fprintf(' 最优步数：%d 步\n', final_steps); fprintf(' 最短距离：%.4f\n', final_dist); fprintf(' 避障状态：无碰撞\n'); fprintf('=========================================\n'); %% 绘图 figure('Color','w','Position',[80,80,1200,380]); subplot(1,3,1); plot(1:max_episode, reward_curve, 'b-','LineWidth',1.6); xlabel('训练轮数'); ylabel('总奖励'); title('奖励收敛曲线'); grid on; subplot(1,3,2); plot(1:max_episode, episode_path_distance, 'r-','LineWidth',1.6); xlabel('训练轮数'); ylabel('路径总距离'); title('距离收敛曲线'); grid on; subplot(1,3,3); hold on; grid on; axis equal; view(3); xlabel('X'); ylabel('Y'); zlabel('Z'); title(sprintf('最优路径 | 步数：%d | 距离：%.2f | 无碰撞',final_steps,final_dist)); xlim([1 x_max]); ylim([1 y_max]); zlim([1 z_max]); plot3(start_state(1),start_state(2),start_state(3),'rs','MarkerSize',11,'LineWidth',2); plot3(end_state(1),end_state(2),end_state(3),'gd','MarkerSize',11,'LineWidth',2); scatter3(obstacle(:,1),obstacle(:,2),obstacle(:,3),100,'k','filled'); plot3(path(:,1),path(:,2),path(:,3),'m-','LineWidth',2.8,'MarkerSize',5); legend('起点','终点','障碍物','最优路径','Location','best');