针对无人机在三维复杂环境中的自主路径规划问题，本文选取了三种具有代表性的规划方法进行对比分析，分别为 A* 算法、快速扩展随机树（Rapidly-exploring Random Tree, RRT） 算法以及 人工势场法（Artificial Potential Field, APF）。三种算法在搜索机理、适用场景及规划性能方面各具特点，具有较强的互补性。
程序介绍
A* 算法
A* 算法是一种基于启发式搜索的确定性路径规划方法，通常在离散化的栅格空间中工作。该算法通过构造代价函数 f(n) = g(n) + h(n)，在保证搜索最优性的同时提升搜索效率，其中 g(n) 表示从起点到当前节点的累计代价，h(n) 为当前节点到目标点的启发式估计代价。
在三维路径规划问题中，A* 算法能够在已知环境下稳定地搜索到一条全局最优或次优路径，路径质量高、可重复性强，常作为路径规划算法性能评估的基准方法。但其计算复杂度随空间维度和分辨率快速增长，对环境建模和存储资源要求较高。
RRT 算法
RRT（Rapidly-exploring Random Tree）算法是一种基于随机采样的增量式路径规划方法，主要面向高维连续空间的可行路径搜索问题。该算法通过在状态空间中随机采样，并不断向采样点方向扩展搜索树，从而快速覆盖可行空间并寻找从起点到目标点的连通路径。
在三维无人机路径规划场景下，RRT 算法具有较强的全局探索能力和环境适应性，尤其适合障碍物分布复杂或空间维度较高的情况。然而，由于其随机性特征，RRT 生成的路径通常并非最优，路径平滑性较差，规划结果在不同运行中存在一定差异。
人工势场法（APF）
人工势场法是一种基于连续空间建模的实时路径规划方法，其核心思想是将目标点视为产生吸引势场的源，将障碍物视为产生斥力势场的源，无人机在合力作用下沿势场梯度方向运动。
该方法计算结构简单、实时性强，适合对计算资源和响应速度要求较高的无人机在线规划任务。但在复杂障碍环境中，人工势场法容易陷入局部极小点，缺乏全局最优性和完备性保障，通常需要与随机扰动或全局规划方法结合使用。
综合对比分析
总体而言，A* 算法在路径最优性和稳定性方面表现突出，适合已知环境下的全局规划；RRT 算法在高维复杂空间中具有良好的可行性和扩展能力，适合快速获得可行路径；人工势场法则在计算效率和实时性方面具有优势，适用于局部路径调整与在线避障。通过在统一三维仿真环境下对三种算法进行对比，可以直观地分析不同规划策略在路径质量、计算复杂度及适用场景方面的差异，为无人机路径规划算法的选择与改进提供参考依据。
代码运行结果
规划的路径对比：
高度剖面：
命令行截图：
