面向果园环境无人机路径规划与避障的自适应势场神经跳点搜索方法

《Drones》:NeuroJPS-A: Neural Jump Point Search with Adaptive Potential Fields for UAV Path Planning and Obstacle Avoidance in Orchard Environments

【字体: 大 中 小 】 时间:2026年07月06日 来源:Drones 5.2

编辑推荐:

  随着无人机(UAV)应用的持续扩展,在复杂环境中生成近最优路径并实现有效避障仍然是极具挑战性的任务。为解决果园环境中无人机飞行任务的多目标路径规划与障碍物检测问题,本文提出了一种新型混合算法框架,命名为 NeuroJPS-A。其主要科学贡献在于神经组合优化(N

  
随着无人机(UAV)应用的持续扩展,在复杂环境中生成近最优路径并实现有效避障仍然是极具挑战性的任务。为解决果园环境中无人机飞行任务的多目标路径规划与障碍物检测问题,本文提出了一种新型混合算法框架,命名为 NeuroJPS-A。其主要科学贡献在于神经组合优化(Neural Combinatorial Optimization,NCO)、三维跳点搜索(3D Jump Point Search,3D-JPS)与自适应人工势场(Adaptive Artificial Potential Field,APF)的协同集成,从而实现任务感知避障与闭环轨迹调整。该方法将源自旅行商问题(Traveling Salesman Problem,TSP)的神经组合优化引入 3D-JPS 算法之中,优化了传统 JPS 的搜索机制,并进一步缩短了无人机全局规划路径长度。此外,本研究将所提出算法与 APF 集成,以解决局部动态障碍物避让问题。定量结果表明,NeuroJPS-A 在二维(2D)环境中将路径长度缩短 10%,转弯次数减少 47.8%;在三维(3D)环境中实现了 24.9% 的路径缩短,且计算时间仅为 A* 的 22%。为验证所提方法的性能,研究人员开展了综合仿真实验。实验结果表明,NeuroJPS-A 算法能够使无人机快速且有效地生成最优规划航线,保障其在复杂果园环境中的安全导航,并防止飞行任务期间发生碰撞。
本文发表于《Drones》,研究聚焦于半结构化果园环境中的无人机(UAV)自主导航问题,旨在解决多任务点巡航、全局路径搜索与局部动态避障之间长期存在的割裂。研究背景在于,果园具有明显的半结构化特征:果树成行分布形成可通行廊道,但树冠、枝叶交错以及作业机械和人员等动态障碍又显著增加了飞行风险。这类场景要求无人机不仅具备三维环境感知和障碍定位能力,还需在有限机载算力下实时生成安全、平滑且高效的飞行路径。现有研究通常分为全局路径规划与局部路径规划两类。前者如 A*、遗传算法、粒子群与蚁群优化等依赖完整先验环境信息,但对动态变化适应不足;后者如快速随机树(Rapidly exploring Random Tree,RRT)、人工势场(Artificial Potential Field,APF)和模糊逻辑等具有较强实时性,却易陷入局部极小值,且难以兼顾任务整体效率。特别是在果园多任务点作业中,访问次序本质上构成旅行商问题(Traveling Salesman Problem,TSP),如果将任务排序、全局搜索和局部避障彼此独立处理,往往难以保证总路径代价最优,也会削弱系统在复杂障碍分布下的稳定性和执行效率。因此,研究人员开展本研究的直接动因,是建立一个能够在任务层、路径层和控制层之间进行深度协同的闭环规划框架。

围绕上述问题,研究人员提出了 NeuroJPS-A 混合路径规划框架。该框架并非简单拼接多个功能模块,而是通过信息双向流动,将神经组合优化(Neural Combinatorial Optimization,NCO)、三维跳点搜索(3D Jump Point Search,3D-JPS)和自适应人工势场(Adaptive Artificial Potential Field,APF)深度耦合。研究结论表明,该方法在二维和三维仿真果园环境中均取得优于所选对照算法的综合表现:在二维高密度障碍环境中,路径长度与拐点数量均明显下降;在三维体素环境中,路径更短、计算更快、内存占用更低;消融实验进一步显示,神经引导模块有助于压缩搜索复杂度,APF 模块则改善了轨迹平滑性与安全间隙。其重要意义在于,为资源受限无人机在复杂农业场景中的实时、自主、节能导航提供了可部署的算法范式,同时为果园监测、精准喷洒及多机协同作业提供了方法学支撑。

从技术方法上看,研究首先构建果园三维体素地图,将树干和树冠分别栅格化,并在占据栅格基础上施加安全膨胀,形成带有基础势场代价的占据图;其次,在任务分配与排序层,引入基于图注意力网络(Graph Attention Network,GAT)编码器和指针网络解码器的 NCO,以含 APF 代价的边权作为训练与推理目标,实现障碍感知任务序列优化;再次,在全局规划层,采用融入势场修正项的 3D-JPS 对各任务段逐段搜索低风险通道;最后,在局部执行层,利用带路径引导项的 APF 进行在线避障、轨迹微调与多机冲突段局部重规划。训练数据由 1,000,000 组随机生成的果园网格任务点构成,其中 95% 用于训练、5% 用于验证;实验主要在 MATLAB 2022b、Webots 和 Microsoft AirSim 仿真平台中完成。

以下结合论文结果部分各小标题,对研究发现进行归纳。

4.1. 2D Simulation Environment and Parameter Configurations
研究人员首先在 MATLAB 2022 中构建了 40 × 40 的高密度随机二维占据栅格图,障碍占据率设为 32%,用于模拟受限通行空间下的果园环境。该实验主要用于在统一环境配置下对传统 A* 与 NeuroJPS-A 的路径规划几何形态进行直观比较,为后续性能量化分析奠定基础。

4.2. Geometric Comparison of Path Trajectories in 2D Simulation Experiments
在二维仿真中,传统 A* 由于逐栅格搜索机制,生成路径呈明显“阶梯效应”,在障碍密集区域产生较多冗余 90° 转折,路径长度达到 80 个单位。相比之下,NeuroJPS-A 通过神经跳点搜索与自适应势场耦合,更有效识别障碍间狭窄通道,路径长度缩短至 72 个单位。进一步量化比较表明,该方法在二维环境中将路径长度降低 10%,将转弯次数从 23 次降至 12 次,降幅达 47.8%。研究据此认为,JPS 机制减少了对称冗余节点扩展,而 APF 调节目标吸引与障碍排斥之间的平衡,从而抑制了拥挤空间中的局部振荡,提升了路径的几何直接性和平滑性。

4.3. Setup and Validation of the 3D Simulation Environment
为验证算法在三维空间中的适用性,研究人员构建了包含异质障碍的三维场景,黑色圆柱表示不同高度的静态障碍,黄色节点为任务点,蓝色轨迹为规划结果。结果显示,NeuroJPS-A 生成的三维路径连续且平滑,在确保任务点访问的同时,能够在 Z 轴与 XY 平面上协调姿态调整并维持安全距离。平面投影结果进一步表明,路径并非简单折线拼接,而是经神经跳点搜索优化后绕开密集障碍群的平滑航迹。文中给出的系统性能报告显示,总计算时延为 0.0335 s,单段路径处理时间低至 0.0054 s,轨迹由 6 个段组成,平滑度评分为 53.45,说明该方法具备嵌入式实时避障应用潜力。

4.4. Comparative Analysis of the 3D Simulation Environment
在 15 × 15 × 16 的高密度三维体素环境中,研究人员将 NeuroJPS-A 与 A* 和 Theta* 进行对比。三种算法均能生成无碰撞路径,但 A* 路径呈锯齿状、转弯冗余明显;Theta* 允许任意角路径,平滑性有所改善,但在高密度障碍场中计算负担较重;NeuroJPS-A 则获得更精炼、直接的三维轨迹。定量结果显示,NeuroJPS-A 的轨迹长度为 21.35 m,较 A* 的 28.45 m 缩短约 24.9%,较 Theta* 的 24.12 m 缩短 11.5%;执行时间为 0.120 s,约为 A* 的 1/4.5、Theta* 的 1/6.5;峰值内存占用为 85.6 KB,亦低于对照算法。该结果表明,JPS 的跳点剪枝显著减少了搜索空间,而 APF 代价引导使全局路径更倾向于低风险通道,从而在路径质量与计算经济性之间实现平衡。

4.5. NeuroJPS-A Algorithm in Simulation Experiments with the Web Robot Simulator and Microsoft AirSim
除 MATLAB 仿真外,研究人员还在 Webots 与 Microsoft AirSim 平台进行扩展验证。Webots 中构建了具果园结构特征的三维场景,并配置静态与动态障碍,用于检验算法在结构化环境中的在线重规划能力;实验过程显示,无人机可在接近目标过程中检测并规避动态障碍,再规划局部路径后继续执行任务。AirSim 中则构建了具有真实比例的三维果园场景,并提供第一视角深度图及其处理结果。论文强调,这些结果属于高保真仿真验证而非实地飞行测试,但它们表明 NeuroJPS-A 能够较稳定地融合全局规划与局部避障,在复杂动态环境下支持果园巡检、精准喷洒与自动化作业等应用。

4.6. Comparative Experiment Simulating UAV Operation in an Orchard Environment
在尺寸为 60 × 80 × 60 的果园仿真地图中,研究人员设计了多航点巡航实验。结果表明,NeuroJPS-A 不局限于严格穿越每个航点,而是允许在任务点附近生成更平滑、更高效的轨迹,这种“非强制通过”策略改善了巡航效率与速度。与全局初始路径相比,经过 APF 引导后的最终路径更短。进一步与 A* 和蚁群优化(Ant Colony Optimization,ACO)比较时,在相同果园实验条件下,A* 的路径长度为 193.59 m,ACO 为 160.56 m,而 NeuroJPS-A 为 156.21 m。论文同时构建了综合评分模型,将路径长度、执行时间和最小安全间隙归一化后加权评价,其中路径效率权重为 0.4,计算时间和安全性权重各为 0.3。在该评价下,NeuroJPS-A 获得最高综合得分,说明其在短路径、快速规划与稳定避障之间取得了更优折中。

4.7. Multi-Dimensional Ablation Study and Scalability Analysis Under Dynamic Obstacle Density
为区分各模块独立贡献及协同效应,研究人员设计了四种递进式消融配置:M1 为仅使用 JPS;M2 为 JPS + APF;M3 为 Neural + JPS;M4 为完整 NeuroJPS-A。实验在动态果园环境中逐步提高障碍密度,从 10% 增至 30%,考察路径长度、规划时间、轨迹平滑度、安全间隙、成功率和扩展节点数六项指标。

在计算效率方面,未引入神经全局引导的 M1 和 M2 随障碍密度上升出现扩展节点数快速增长;在 30% 密度下,M1 与 M2 分别扩展 1790 和 1980 个节点,M2 总规划时间升至 2.010 s。相比之下,M3 和 M4 因神经任务排序提供宏观拓扑走廊约束,JPS 搜索域被有效裁剪,节点扩展曲线接近线性;30% 密度下,M4 仅扩展 205 个节点,规划时间为 0.220 s。该结果证明神经引导模块对压缩搜索复杂度具有决定性作用。

在轨迹几何性质方面,M1 受限于栅格约束,需通过大量急转角绕避果树障碍,平滑性随密度增加显著恶化;M2 加入 APF 后,轨迹粗糙度明显下降,并在整个密度梯度中维持较高安全间隙,但由于缺乏全局方向感,易在密集树群中被排斥力推入迂回路径,导致高密度下路径长度拉长至 37.10 m。完整框架 M4 则综合了神经排序的全局引导与 APF 的局部平滑,在 30% 密度下同时获得最短路径 24.60 m、最佳平滑性 19.20 rad 和 0.68 m 的安全间隙,表现出明显的多目标帕累托优势。

在鲁棒性方面,10% 障碍密度下四种配置成功率均高于 99.0%;当密度升至 30% 时,M1、M3 和 M2 的成功率分别降至 62.11 ± 0.62%、71.03 ± 0.70% 和 55.25 ± 0.60%,暴露出纯搜索或纯势场增强方法在非凸密集环境中的局限。完整框架 M4 则仍保持 98.44 ± 0.86% 的高成功率。结合 95% 置信区间(95% confidence interval,95% CI)与双样本 t 检验结果(p < 0.01),研究人员认为其优势来源于整体架构协同,而非某一单模块的线性叠加。

讨论部分围绕方法优势、适用边界与部署前景展开。论文指出,NeuroJPS-A 的关键价值在于建立了任务排序、全局搜索与局部控制之间的闭环信息流,区别于传统 A* + APF 或 A* + 动态窗口法(Dynamic Window Approach,DWA)等单向松耦合混合策略。NCO 输出不仅确定任务访问顺序,还可影响 APF 参数偏好;3D-JPS 生成的全局路径又通过路径引导势项约束局部控制器,避免局部避障偏离全局最优通道;在线 APF 调整信息还能反馈至后续未执行任务,从而提升动态环境适应性。与此同时,论文也明确了研究局限:NCO 依赖离线仿真训练数据,对未知果园布局与显著不同障碍密度的泛化能力尚待验证;当前多机协调采用集中式冲突消解策略,规模扩展性仍有限;APF 对参数设置存在敏感性,虽然在测试场景中进行了灵敏度分析,但在几何结构显著不同的新环境中可能仍需重新调参;Jetson 平台上的推理时间仅为理论估计,尚无真实机载测试。由此,论文将当前证据定位为“仿真验证”,而非“田间实证”。

研究结论部分可译为:
本文提出了 NeuroJPS-A,这是一种将神经组合优化(NCO)、三维跳点搜索(3D-JPS)和自适应人工势场(APF)集成用于半结构化果园环境中无人机路径规划与避障的混合框架。其主要贡献可概括为:(1)设计了结合 APF 感知边代价的 NCO 模块,实现面向障碍分布的任务序列优化;(2)构建了带势场修正项的 3D-JPS 全局规划器,使其倾向于选择低风险通道;(3)提出了路径引导式 APF 局部控制器,在保持与全局路径一致性的同时,有助于缓解局部极小值问题;(4)建立了耦合上述模块的闭环信息流,有别于传统松耦合混合规划方法。二维与三维仿真结果表明,在所测试条件下,NeuroJPS-A 相较所选基线算法(A*、Theta* 和 ACO)表现出较强竞争力。消融实验进一步显示,神经引导模块有助于降低搜索复杂度,而 APF 模块有助于提升轨迹平滑性和安全间隙。不过,这些发现均来自 MATLAB、Webots 与 AirSim 仿真环境,尚未经过真实无人机飞行实验验证。未来工作将开展室外果园真实飞行试验,拓展至完全分布式多无人机协同,并研究迁移学习以缩小 NCO 模块在多样环境中的泛化差距。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号