多障碍环境下基于智能协同差分进化方法的无人机路径规划

《Actuators》:UAV Path Planning in Obstacle-Rich Environments Using Intelligent Cooperative Differential Evolution Approach

【字体: 大 中 小 】 时间:2026年07月10日 来源:Actuators 2.4

编辑推荐:

  在富含障碍环境中的无人机路径规划(UAVPP)要求轨迹无碰撞、威胁感知,并在实际飞行约束下可行。研究人员提出了一种智能协同差分进化方法,记为MuCDEA,以提高传统差分进化(DE)在UAVPP中的适应性和鲁棒性。MuCDEA通过自适应策略选择和协同进化,集成了

  
在富含障碍环境中的无人机路径规划(UAVPP)要求轨迹无碰撞、威胁感知,并在实际飞行约束下可行。研究人员提出了一种智能协同差分进化方法,记为MuCDEA,以提高传统差分进化(DE)在UAVPP中的适应性和鲁棒性。MuCDEA通过自适应策略选择和协同进化,集成了来自JADE、CoDE、EPSDE、SaDE、MIDE和SHADE的互补机制。优化模型结合了路径长度(燃油)成本和威胁暴露,并明确了强制执行器可行机动边界的俯仰和偏航约束。所提出的框架在20个基准UAVPP案例上进行评估,涵盖2D和3D场景,具有不同的障碍分布和路径离散化水平,并使用CEC-2022排名方法与11种最先进的DE变体和几种广泛使用的优化方法进行比较。结果表明,协同配置MuCDEA24获得最佳整体排名,并在测试案例中一致生成可行轨迹,表明协同DE策略为受约束的UAVPP提供了有效且与控制器兼容的解决方案。
无人机在民用和军事领域的广泛应用对自主导航能力提出了更高要求,尤其在复杂障碍环境中,路径规划需满足无碰撞、威胁感知及执行器约束。传统方法如A*算法、Dijkstra算法和势场法在高维非线性问题中易陷入局部最优,而基于种群的差分进化(DE)因其鲁棒性脱颖而出,但标准DE性能受参数和突变策略影响显著。为此,研究人员提出了多策略协同差分进化算法(MuCDEA),旨在通过集成多种先进DE变体的互补机制,提升UAVPP的适应性和鲁棒性。该研究在20个2D/3D案例上评估了MuCDEA,并与11种DE变体及多种优化方法对比,采用CEC-2022排名统计。结果显示,MuCDEA24获得最佳整体排名,持续生成可行轨迹。论文发表在《Actuators》上,表明协同DE策略为受约束的UAVPP提供了有效解决方案。

关键技术方法包括:MuCDEA框架通过初始化混合种群并随机分为M个子种群,每个子种群由一种选定的DE变体(如JADE、SaDE、SHADE)独立进化。每迭代一定次数(重评估周期),根据各算法带来的适应度改进归一化得分,将最佳算法分配双倍种群份额,其余算法保留基础份额,实现自适应资源重分配。优化模型采用坐标变换将路径点转化为连续决策变量,目标函数融合路径长度(燃油)成本和威胁暴露成本,并施加俯仰角与偏航角约束以限制机动激进程度。评估采用基于排名的CEC-2022统计方法,对所有算法进行30次独立运行,按目标值排名计算性能得分。

研究结果部分如下:

5.1 Case Studies:设置了20个代表性案例,包括5个2D(案例1-5)和5个3D(案例6-10)场景,每种场景测试两种离散化参数(d=10和d=20),共20个案例,障碍物数量从6到8不等,分布变化以测试算法适应性。

5.2 Comparing Algorithms:对比算法包括DE、jDE、SaDE、EPSDE、SHADE、CoDE、IMODE、EDEV、MIDE、ADEDMR、LensOBLDE、PSO、MVPA、RUN、INFO、FBI和GA_MPC,所有算法使用相同的问题表述、约束和终止条件。

5.3 Comparison Procedure:采用CEC-2022基于排名的统计比较方法。对每个案例,将所有算法的所有试验结果混合排序(最佳排名最高),计算每个算法的性能得分Sjk,最终总得分Fj为所有案例得分之和,得分越高表示算法整体越好。

5.4 Results and Discussion:MuCDEA24(结合JADE、SaDE、SHADE)以总得分292823获得最终排名第1,SHADE紧随其后得分290737排名第2。MuCDEA24在20个案例中7次排名第1,从未低于第5,表现出高稳定性。定量分析显示,MuCDEA24的平均目标值(2538.42)最低,相比SHADE降低约26.4%,标准差降低约51.4%,且平均路径长度(1750.91)与SHADE(1741.37)接近。仿真时间(3.38秒/次)与SHADE(3.32秒)相当。可视化路径表明,MuCDEA24在2D和3D案例中均生成平滑、无碰撞轨迹,高离散化时转弯更柔和。

讨论部分指出MuCDEA的主要优势在于跨不同障碍布局和离散化水平保持高排名,其模块化结构便于扩展。局限性包括:仅考虑静态障碍物、假设固定速度、未包含风扰动、执行器限制和电池模型等。未来工作需考虑动态障碍、时变威胁、变速度飞行、实时重规划及硬件在环验证。

研究结论翻译:本文提出了MuCDEA,一种用于多障碍环境中UAVPP的多策略协同差分进化算法。该方法不依赖单一固定DE算子,而是结合多种先进DE行为,通过策略间的协同调整探索、开发、参数适应和可行性搜索。MuCDEA在2D和3D路径规划案例上测试,采用不同障碍配置和两种离散化水平(d=10和d=20)。对比使用30次独立运行和CEC-2022基于排名的统计评估方法。MuCDEA24(结合JADE、SaDE和SHADE)获得最佳整体排名,并在基准套件中持续生成可行无碰撞路径。结果表明,协同组合比独立变体和非DE算法在测试场景中更稳定。未来工作将关注更真实的条件,包括动态障碍、时变威胁、感知不确定性、变速和能量感知飞行动力学、显式执行器饱和/速率约束,以及通过并行化或代理辅助优化实现实时重规划,随后进行硬件在环验证和实地实验。
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