【无人机路径规划】无人机三维路径规划中蚁群算法、A* 与 RRT* 算法对比（Matlab代码实现）

💥💥💞💞欢迎来到本博客❤️❤️💥💥

💥💥💞💞欢迎来到本博客❤️❤️💥💥



🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。



⛳️座右铭：行百里者，半于九十。



📋📋📋本文目录如下：🎁🎁🎁

💥1 概述

随着无人机技术的快速发展，其在军事侦察、物流配送、环境监测等众多领域的应用日益广泛。在实际应用场景中，无人机需要在复杂的三维空间内规划出一条安全、高效的飞行路径，以避开障碍物并满足任务需求。蚁群算法、A* 算法和 RRT* 算法是目前无人机三维路径规划中常用的算法，它们各自具有独特的原理和特点，对其进行详细对比有助于根据具体应用场景选择最合适的算法。

蚁群算法 蚁群算法是一种模拟蚂蚁觅食行为的启发式优化算法。蚂蚁在寻找食物的过程中，会在走过的路径上释放信息素，信息素浓度越高的路径对其他蚂蚁的吸引力越大。在无人机路径规划中，将三维空间划分为多个节点，每只“虚拟蚂蚁”从起点开始，根据信息素浓度和启发式信息选择下一个节点，不断迭代更新信息素浓度，最终找到一条从起点到终点的最优路径。

A* 算法 A* 算法是一种基于图搜索的路径规划算法，它结合了 Dijkstra 算法的广度优先搜索和贪心最佳优先搜索的特点。A* 算法通过定义一个评估函数f(n)=g(n)+h(n)，其中 (g(n)) 是从起点到节点 (n) 的实际代价，(h(n)) 是从节点 (n) 到终点的启发式估计代价。算法从起点开始，不断扩展具有最小 (f(n)) 值的节点，直到找到终点或遍历完所有可达节点。

RRT* 算法 RRT* 算法是快速随机树算法（RRT）的改进版本，它通过在三维空间中随机采样来构建一棵搜索树。从起点开始，每次随机选择一个采样点，然后在搜索树中找到距离该采样点最近的节点，将其连接到采样点并扩展树。RRT* 算法在 RRT 的基础上，增加了路径优化机制，通过重新连接节点和修剪树枝，不断优化树的结构，最终得到一条接近最优的路径。

路径质量 -蚁群算法：通过信息素的更新和积累，能够在多次迭代后找到全局较优的路径。但由于信息素的更新过程相对缓慢，在复杂环境下可能陷入局部最优解，导致路径质量下降。A* 算法：在有明确启发式函数的情况下，能够保证找到最优路径。但启发式函数的选择对算法性能影响较大，如果选择不当，可能会增加搜索时间。RRT* 算法：能够在复杂的三维环境中快速找到一条可行路径，并且随着采样点数的增加，路径质量会逐渐提高，趋近于全局最优解。但在采样点数有限的情况下，路径可能存在一定的冗余。

一、无人机三维路径规划的核心挑战

三维路径规划需同时满足多目标优化与物理约束：

1. 多目标冲突：路径长度、避障安全性、能耗（如电池续航）、飞行时间需协同优化 。
2. 动态障碍物：城市环境中需实时避让建筑物、其他无人机等移动障碍 。
3. 三维物理约束：
   • 最大转向角（通常≤30°）与爬升角（±25°） 
   • 最小转弯半径（如2m）和最短直线修正段 
   • 航迹总长度限制（L≤Lmax⁡L≤Lmax​） 
4. 计算效率：三维空间搜索复杂度指数级增长，传统A*算法实时性不足 。

二、算法原理与特性对比

1. 蚁群算法（ACO）

• 三维实现：
  • 环境建模：采用三维栅格法，沿高度分层划分空间 。
  • 信息素更新：路径选择概率公式引入启发式因子（如距离、障碍物密度） 。
• 优势：
  • 全局优化能力强，避免局部最优 。
  • 并行计算效率高，适合复杂障碍物环境 。
• 局限：
  • 收敛速度慢，前期随机搜索效率低 。
  • 动态环境中信息素更新滞后，响应速度不足 。

原理：模拟蚂蚁觅食行为，通过信息素正反馈机制（分布式计算、自组织、正反馈）引导路径优化 

2. A*算法

• 原理：启发式搜索（f(n)=g(n)+h(n），结合实际代价g(n)（起点到当前点）与预估代价h(n)（当前点到终点） 。
• 三维实现：
  • 栅格化环境，扩展26邻域节点（允许三维斜向移动） 。
  • 改进策略：融合贝塞尔曲线平滑路径，解决节点处姿态突变问题 。
• 优势：
  • 完备性且最优性（启发函数可采纳时） 。
• 局限：
  • 计算复杂度高：三维网格节点数激增，192³网格即可致内存溢出 。
  • 仅适用于静态环境，动态障碍需完全重新规划 。

路径长度最短（实验均值33.7m，优于RRT*的35.1m） 。

3. RRT*算法

• 原理：基于随机采样与渐进优化，通过重选父节点和剪枝缩短路径 。
• 改进机制：
  • 正态分布采样：替代均匀随机采样，加速收敛 。
  • 三角不等式剪枝：删除冗余节点，路径长度缩减50% 。
• 优势：
  • 实时性最佳：改进版计算耗时仅为传统RRT*的20% 。
  • 动态环境适应性：实时更新搜索树，避让移动障碍 。
• 局限：
  • 初始路径曲折，需后处理平滑 。

路径长度稳定性差，方差高于A* 。

三、性能指标定量对比

表1：算法核心指标对比

关键数据解读：

• 能耗对比：改进蚁群算法能耗（64.08 J）低于A*（72.93 J），因路径平滑减少姿态调整 。

安全性：A*在风险路径长度（0.15m）与危险路径长度（0.05m）上最优，因精确栅格碰撞检测 。

四、环境适应性分析

1. 静态复杂环境：
   • A*：规则障碍物场景下路径最短，但计算耗时随复杂度飙升 。
   • 蚁群算法：栅格建模灵活，适合非结构化地形，但收敛速度慢 。
   • RRT*：正态采样改进后，节点数减少85%，适合大型三维地图 。
2. 动态障碍环境：
   • 蚁群算法：引入动态惩罚机制（AS-N），避障路径长度缩短15% 。
   • A*：需融合动态窗口法（DWA）提升实时性 。

RRT*：实时采样避障成功率100% 。

五、应用场景推荐

六、总结与展望

• 算法融合趋势：
  • A* + 贝塞尔曲线：解决路径平滑问题 。
  • RRT* + 梯度优化：提升初始路径质量 。
  • 蚁群 + 动态惩罚机制：增强动态响应 。
• 未来方向：轻量化神经网络加速在线规划，强化学习优化多目标权重 。

本报告依据实验数据与学术文献对比分析，可为无人机三维路径规划算法选型提供理论支撑与工程参考。具体应用需结合场景约束（如实时性要求、硬件算力）综合权衡。

📚2 运行结果

主函数代码：

 %Wishing you to encourage yourself！ clc;clear;close all %载入函数路径 addpath(genpath('./ACO3D')) addpath(genpath('./Astar3D')) addpath(genpath('./RRT3D')) addpath(genpath('./Evaluation')) Algorithm_name={'ACO','Astar','RRT'}; %地图规模在Makemap3D函数中设置 map = Makemap3D;%地图 source=[10 10 1]; %起点 goal=[450 400 50];%终点 max_item = 1000;%最大迭代次数 comparative_data ={};%记录需要比较的内容 Global_data={}; Straight_distance = sqrt(sum((source-goal).^2, 2));%直线距离 fprintf('起点到终点的直线距离： \n%d\n\n',Straight_distance); Global_data(1,end+1) = {num2str(source)}; Global_data(1,end+1) = {num2str(goal)}; Global_data(1,end+1) = {Straight_distance}; t1=clock; %% ********蚁群算法******************************** figure(1) plot3DMap(map); text(source(1),source(2),source(3),'起点','color','r'); text(goal(1),goal(2),goal(3),'终点','color','r'); scatter3(source(1),source(2),source(3),"filled","g"); scatter3(goal(1),goal(2),goal(3),"filled","b"); title('ACO'); popNum = 10; %蚁群数量 tic [aco_path,aco_cost,aco_Number_of_searches,aco_Number_of_successful_searches,aco_Number_of_failed_searches] = aco(source,goal,map,popNum);%蚁群主函数 aco_time = toc; fprintf('ACO 历时：%0.3f 秒\n',aco_time); hold on plot3(aco_path(:,1),aco_path(:,2),aco_path(:,3),'LineWidth',2,'color','r'); view(-30,30); fprintf('ACO 路径长度：%d \n\n',aco_cost); [aco_max_turning_angle,aco_turning_num,aco_index] = Max_turning_angle(aco_path,1); comparative_data(1,end+1) = {aco_time}; comparative_data(2,end) = {aco_cost}; comparative_data(3,end) = {size(aco_path,1)}; comparative_data(4,end) = {aco_Number_of_searches}; comparative_data(5,end) = {aco_Number_of_successful_searches}; comparative_data(6,end) = {aco_Number_of_successful_searches/aco_Number_of_searches}; comparative_data(7,end) = {aco_max_turning_angle}; comparative_data(8,end) = {aco_turning_num}; %% ************Astar******************************** figure(2) plot3DMap(map); text(source(1),source(2),source(3),'起点','color','r'); text(goal(1),goal(2),goal(3),'终点','color','r'); scatter3(source(1),source(2),source(3),"filled","g"); scatter3(goal(1),goal(2),goal(3),"filled","b"); title('Astar'); tic%计算运行时间 [astar_path,astar_cost,astar_Number_of_searches,astar_Number_of_successful_searches,astar_Number_of_failed_searches] = Astar_main(source,goal,map,max_item);%A*主函数 astar_time = toc; fprintf('Astar 历时：%0.3f 秒\n',astar_time); plot3(astar_path(:,1),astar_path(:,2),astar_path(:,3),'LineWidth',2,'color','r'); view(-30,30); fprintf('Astar 路径长度：%d\n\n',astar_cost); [astar_max_turning_angle,astar_turning_num,astar_index] = Max_turning_angle(astar_path,1); %记录展示数据 comparative_data(1,end+1) = {astar_time}; comparative_data(2,end) = {astar_cost}; comparative_data(3,end) = {size(astar_path,1)}; comparative_data(4,end) = {astar_Number_of_searches}; comparative_data(5,end) = {astar_Number_of_successful_searches}; comparative_data(6,end) = {astar_Number_of_successful_searches/astar_Number_of_searches}; comparative_data(7,end) = {astar_max_turning_angle}; comparative_data(8,end) = {astar_turning_num}; %% ****************RRT******************************** % subplot(1,3,3); figure(3) plot3DMap(map); text(source(1),source(2),source(3),'起点','color','r'); text(goal(1),goal(2),goal(3),'终点','color','r'); scatter3(source(1),source(2),source(3),"filled","g"); scatter3(goal(1),goal(2),goal(3),"filled","b"); title('RRT'); step = 10;%设置步长 tic [rrt_path,rrt_cost,rrt_Number_of_searches,rrt_Number_of_successful_searches,rrt_Number_of_failed_searches] = RRT_main(source,goal,map,step);%RRT主函数 rrt_time = toc; fprintf('RRT 历时：%0.3f 秒\n',rrt_time); plot3(rrt_path(:,1),rrt_path(:,2),rrt_path(:,3),'LineWidth',2,'color','r'); view(-30,30); fprintf('RRT 路径长度：%d \n\n',rrt_cost); [rrt_max_turning_angle,rrt_turning_num,rrt_index] = Max_turning_angle(rrt_path,1); %记录搜索覆盖范围 comparative_data(1,end+1) = {toc}; comparative_data(2,end) = {rrt_cost}; comparative_data(3,end) = {size(rrt_path,1)}; comparative_data(4,end) = {rrt_Number_of_searches}; comparative_data(5,end) = {rrt_Number_of_successful_searches}; comparative_data(6,end) = {rrt_Number_of_successful_searches/rrt_Number_of_searches}; comparative_data(7,end) = {rrt_max_turning_angle}; comparative_data(8,end) = {rrt_turning_num}; %% 打印运行时间 t2=clock; fprintf('程序总运行时间：%0.3f 秒\n\n', etime(t2,t1)); %计算最优项 ，其中展示表格顺序为aco、astar、rrt comparative_data(1,end+1) = {Algorithm_name{Min_value(comparative_data{1,1},comparative_data{1,2},comparative_data{1,3})}}; for i = 2:size(comparative_data,1) %求每行的最小值 comparative_data(i,end) = {Algorithm_name{Min_value(comparative_data{i,1},comparative_data{i,2},comparative_data{i,3})}}; end %求最大值 comparative_data(6,end) = {Algorithm_name{Max_value(comparative_data{6,1},comparative_data{6,2},comparative_data{6,3})}}; %展示比较结果 Show_Comparative_result(Global_data,comparative_data) %三种算法展示到一张图中 figure(4) plot3DMap(map); text(source(1),source(2),source(3),'起点','color','r'); text(goal(1),goal(2),goal(3),'终点','color','r'); h1 = plot3(aco_path(:,1),aco_path(:,2),aco_path(:,3),'LineWidth',2,'color','r'); h2 = plot3(astar_path(:,1),astar_path(:,2),astar_path(:,3),'LineWidth',2,'color','k'); h3 = plot3(rrt_path(:,1),rrt_path(:,2),rrt_path(:,3),'LineWidth',2,'color','m'); legend([h1,h2,h3],'蚁群','A*','RRT') %legend("boxoff") 

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

[1]陆璐,孙昱浩,孙启光.基于改进蚁群算法的无人机三维路径规划研究[J].广东交通职业技术学院学报,2025,24(01):46-51+114.

[2]温佳霖,梁丰,许雯.基于改进蚁群算法的无人机三维路径规划研究[J].现代信息科技,2023,7(20):84-87+91.DOI:10.19850/j.cnki.2096-4706.2023.20.018.

🌈4 Matlab代码实现