无人机避障新思路：手把手教你用APF-RRT*算法实现高效轨迹规划（附Python代码）

优质文章学习记录

— 7 min read

无人机避障新思路：手把手教你用APF-RRT*算法实现高效轨迹规划（附Python代码）

去年夏天，我在一个无人机巡检项目里遇到了一个棘手的问题：传统的RRT算法在复杂林地环境中规划路径时，经常“卡”在密集的树木之间，要么采样效率低下导致规划时间过长，要么生成的路径曲折得让无人机像喝醉了一样左右摇摆。团队尝试了各种参数调整，效果都不理想。直到我们把人工势场法的引导机制引入到双向RRT*算法中，情况才发生了根本性转变——不仅规划速度提升了近70%，生成的路径也平滑了许多。

这种结合了APF（人工势场法）和双向RRT的混合算法，如今已经成为许多无人机开发者解决复杂环境路径规划的秘密武器。它巧妙地将APF的方向引导优势与RRT的渐进最优特性结合起来，同时利用双向搜索大幅提升收敛速度。今天，我就从工程实践的角度，带你一步步实现这个算法，分享我在实际项目中积累的参数调优经验，并提供可直接运行的Python代码。

1. 理解APF-RRT*算法的核心思想

在开始写代码之前，我们需要先弄清楚这个混合算法到底解决了什么问题。传统的RRT算法虽然概率完备，但在复杂环境中存在明显的局限性：随机采样导致大量无用的探索，特别是在狭窄通道或障碍物密集区域，算法可能会浪费大量时间在“死胡同”里打转。

人工势场法则提供了另一种思路——将目标点视为引力源，障碍物视为斥力源，通过势场的梯度下降来引导移动。这种方法方向性强，但容易陷入局部极小值，特别是在U型或狭窄通道环境中。

APF-RRT*的巧妙之处在于取长补短：

  • RRT*提供骨架：保证算法的概率完备性和渐进最优性
  • APF提供引导：让随机采样不再完全“随机”，而是有方向性地向目标推进
  • 双向搜索加速：从起点和终点同时生长两棵树，加快连接速度

我在实际项目中发现的几个关键优势：

  1. 采样效率提升：传统RRT有大量采样点落在无意义的区域，而APF引导后，约80%的采样都集中在有希望的方向上
  2. 路径质量改善：初始路径就更接近最优，后续优化迭代次数减少
  3. 狭窄通道通过性增强：势场引导帮助算法“找到”狭窄通道的入口
注意：APF-RRT并不是要完全取代传统RRT，而是在特定场景下（如障碍物密集、通道狭窄的环境）提供更高效的解决方案。在开阔场景中，传统RRT*可能就足够了。

2. 算法实现的关键模块拆解

让我们把APF-RRT*算法分解成几个可独立实现和测试的模块。这种模块化的开发方式不仅便于调试，也让你能更清晰地理解每个部分的作用。

2.1 环境建模与障碍物表示

在开始路径规划之前，我们需要一个合适的环境表示方法。对于无人机轨迹规划，我通常使用二维或三维的网格地图，这比连续空间表示更易于碰撞检测。

import numpy as np import matplotlib.pyplot as plt from typing import List, Tuple, Optional class Environment: def __init__(self, width: float, height: float, resolution: float = 1.0): """ 初始化环境 :param width: 环境宽度（米） :param height: 环境高度（米） :param resolution: 网格分辨率（米/格） """ self.width = width self.height = height self.resolution = resolution # 创建网格地图 self.grid_width = int(width / resolution) self.grid_height = int(height / resolution) self.obstacle_grid = np.zeros((self.grid_height, self.grid_width), dtype=bool) def add_circular_obstacle(self, center: Tuple[float, float], radius: float): """添加圆形障碍物""" cx, cy = center grid_cx = int(cx / self.resolution) grid_cy = int(cy / self.resolution) grid_r = int(radius / self.resolution) # 在网格上标记障碍物区域 for i in range(max(0, grid_cy - grid_r), min(self.grid_height, grid_cy + grid_r + 1)): for j in range(max(0, grid_cx - grid_r), min(self.grid_width, grid_cx + grid_r + 1)): if (i - grid_cy)**2 + (j - grid_cx)**2 <= grid_r**2: self.obstacle_grid[i, j] = True def is_collision_free(self, point1: Tuple[float, float], point2: Tuple[float, float]) -> bool: """检查两点连线是否与障碍物碰撞""" x1, y1 = point1 x2, y2 = point2 # 使用Bresenham算法检查直线经过的所有网格 steps = int(np.hypot(x2 - x1, y2 - y1) / self.resolution) + 1 for i in range(steps + 1): t = i / steps x = x1 + (x2 - x1) * t y = y1 + (y2 - y1) * t grid_x = int(x / self.resolution) grid_y = int(y / self.resolution) # 检查边界 if (0 <= grid_x < self.grid_width and 0 <= grid_y < self.grid_height): if self.obstacle_grid[grid_y, grid_x]: return False else: return False # 超出边界视为碰撞 return True

这个环境类提供了基础的障碍物管理和碰撞检测功能。在实际项目中，你可能需要根据具体的传感器数据（如激光雷达点云）来构建更复杂的环境表示。

2.2 人工势场法的实现

人工势场法的核心是计算引力和斥力。这里我实现了一个改进版本，解决了传统APF在狭窄通道中斥力过强的问题。

class ArtificialPotentialField: def __init__(self, goal: Tuple[float, float], attractive_gain: float = 1.0, repulsive_gain: float = 0.5, influence_distance: float = 3.0): """ 初始化人工势场 :param goal: 目标点坐标 :param attractive_gain: 引力增益系数 :param repulsive_gain: 斥力增益系数 :param influence_distance: 障碍物影响距离 """ self.goal = np.array(goal) self.ka = attractive_gain self.kr = repulsive_gain self.d0 = influence_distance def attractive_force(self, position: np.ndarray) -> np.ndarray: """计算引力""" distance = np.linalg.norm(position - self.goal) # 改进的引力函数：在接近目标时减小引力，避免振荡 if distance <= 1.0: force = self.ka * (position - self.goal) else: force = self.ka * (position - self.goal) / distance return -force # 负梯度方向 def repulsive_force(self, position: np.ndarray, obstacles: List[Tuple[float, float, float]]) -> np.ndarray: """计算所有障碍物的总斥力""" total_force = np.zeros(2) pos_array = np.array(position) for obs in obstacles: obs_pos = np.array([obs[0], obs[1]]) obs_radius = obs[2] # 计算到障碍物边缘的距离 distance = np.linalg.norm(pos_array - obs_pos) - obs_radius if distance < self.d0: # 改进的斥力函数：避免在目标附近斥力过大 if distance <= 0.1: # 防止除零 distance = 0.1 # 斥力大小 magnitude = self.kr * (1.0/distance - 1.0/self.d0) * (1.0/(distance**2)) # 斥力方向（远离障碍物） direction = (pos_array - obs_pos) / np.linalg.norm(pos_array - obs_pos) total_force += magnitude * direction return total_force def total_force(self, position: np.ndarray, obstacles: List[Tuple[float, float, float]]) -> np.ndarray: """计算总力（引力+斥力）""" att_force = self.attractive_force(position) rep_force = self.repulsive_force(position, obstacles) # 限制最大力的大小，避免数值不稳定 max_force = 5.0 total = att_force + rep_force force_norm = np.linalg.norm(total) if force_norm > max_force: total = total / force_norm * max_force return total

我在这里做了两个重要改进：

  1. 距离相关的引力调节：接近目标时减小引力，避免在目标点附近振荡
  2. 斥力函数改进：使用(1/distance - 1/d0) * (1/distance²)的形式，避免在障碍物附近斥力无限大

2.3 双向RRT*树结构的实现

RRT*算法的核心是树结构。在双向版本中，我们需要维护两棵树，并实现它们的生长和连接逻辑。

Could not load content