基于改進向量場直方圖算法的無人機動態(tài)避障策略

符小衛(wèi)，吳迪，支辰元

西北工業(yè)大學，陜西 西安 710072

隨著戰(zhàn)場環(huán)境日益復雜多變,微型旋翼無人機憑借其造價低廉、機動性好、難以攔截等優(yōu)點,在偵察監(jiān)視、電子戰(zhàn)攻擊等領域能夠極大提高任務完成效率[1]。

為了讓無人機能夠在復雜未知環(huán)境下,自主高效完成任務,國內(nèi)外專家學者對無人機路徑規(guī)劃算法進行了深入研究,主要涉及全局規(guī)劃算法和局部規(guī)劃算法兩類。人工勢場法于20世紀80年代由Khatib提出, 將移動機器人的運動視作質(zhì)點在一種抽象的人造勢力場中的運動:目標點對質(zhì)點產(chǎn)生引力, 而障礙物對質(zhì)點產(chǎn)生斥力, 依據(jù)合力確定移動機器人的運動方向和路徑[2-3]。尼爾森等在1980 年提出了A*算法, 是一種應用很廣的啟發(fā)式搜索算法。利用空間啟發(fā)式信息, 通過對比選擇恰當?shù)脑u估函數(shù), 通過動態(tài)搜索策略, 求出移動機器人的最優(yōu)規(guī)劃路徑。劉斌和許震洪等[4-5]提出了一種基于A*算法的動態(tài)多路徑規(guī)劃方法,結合A*算法與矩形限制搜索區(qū)域算法, 給出了一種求解單一優(yōu)化路徑的動態(tài)路徑規(guī)劃算法,同時提出了一種重復路徑懲罰因子, 利用一次搜索得出多條優(yōu)化路徑。彭錦城等[6]提出了基于改進Hybrid A*的無人機路徑規(guī)劃算法,通過改進Hybrid A*前端三維路徑搜索的啟發(fā)式函數(shù)和后端非線性優(yōu)化的平滑函數(shù),解決了無人機自主避障飛行中快速旋轉翻轉等問題,提高了無人機目標識別、偵察監(jiān)視的準確度。

針對傳統(tǒng)VFH算法[7-13]的無記憶性而易于陷入局部陷阱且閾值選擇影響避障性能優(yōu)劣,本文提出一種實時陷阱檢測機制,在激光雷達[10]探測信息的基礎上動態(tài)添加歷史柵格信息以避免陷入局部陷阱,并設計了一種動態(tài)閾值更新策略,克服了傳統(tǒng)VFH 算法的閾值敏感性問題,增強了算法在不同場景的泛化性。由于在障礙物信息不確定環(huán)境下單無人機避障規(guī)劃問題中,傳統(tǒng)的全局規(guī)劃算法（如A*算法）需要完全了解全局環(huán)境且無法滿足實時性要求,本文基于局部規(guī)劃和全局規(guī)劃的特點,將A*算法與改進的VFH算法相結合[11],設計了一種復雜環(huán)境中的單無人機路徑規(guī)劃與避障策略,在靜態(tài)已知障礙物的全局路徑規(guī)劃基礎上,根據(jù)激光雷達采集的數(shù)據(jù)輔助無人機局部規(guī)劃處理,實現(xiàn)有效避障。

1 環(huán)境建模

與大多數(shù)傳統(tǒng)建模方法中的假定障礙物分布情況全局已知不同,本文研究不確定的障礙物分布情況,即無人機在飛行前對地形信息并非完全了解,需要在飛行過程中實時探測周圍的地形情況[14-15]。本文的研究場景如圖1所示,在l×l的二維空間區(qū)域內(nèi)包括靜態(tài)已知障礙物與未知障礙物:圖1 中深藍色幾何體為靜態(tài)已知障礙物,代表通過情報、地圖或其他手段獲取到的地形信息,無人機在起飛前就對這些障礙物完全了解,因此可以通過這些信息進行初步的路徑規(guī)劃；圖1中淺藍色幾何體為未知障礙物,其坐標位置、大小、形狀都是未知的,無人機需要運動到其四周才能探測到其信息。

本文假設一架微型四旋翼無人機始終在同一高度平面內(nèi)運動,并建立二維空間內(nèi)的無人機二階運動模型。

式中,在t時刻時,無人機的位置矢量為pu(t) =(pux,puy),速度矢量為v(t) =(vx,vy),加速度矢量為u(t) =(ux,uy),加速度矢量為無人機的控制輸入量。四旋翼無人機具有最大速度限制,|v(t)| ≤vmax。四旋翼無人機的任務是穿越障礙物區(qū)域到達目標位置pg=(pgx,pgy)。

圖1 無人機避障場景圖Fig.1 UAV obstacle avoidance scene

在使用A*算法進行全局路徑規(guī)劃之前需要對地形進行合理構建,本文采用柵格法對地圖進行建模,將無人機所在二維場景劃分為大小相同的矩形柵格點,柵格精度為dg。因此,可用一個二維矩陣M=(mij)n×n表示該二維地圖信息,其中,矩陣中每個元素表示一個dg×dg的矩形區(qū)域內(nèi)的地形信息。當柵格點屬于靜態(tài)障礙物點集時mij=1,否則mij= 0。

本文采用激光雷達作為傳感器來進行地形探測,設其水平分辨律為ar,最大探測距離為dr,即在以激光雷達掛載點為圓心、dr為半徑的圓形區(qū)域內(nèi)每隔ar角度收集該方向上的地形信息,其示意圖如圖2 所示。激光雷達每一幀返回的數(shù)據(jù)以點云的形式呈現(xiàn),表示該未知障礙物的輪廓表面的點數(shù)據(jù)集合。以無人機的時變?nèi)肿鴺藀u(t) =(pux,puy)為中心建立局部時變坐標系Γ 用來表示每個點的坐標。點云中第i個點的時變?nèi)肿鴺藶閜i=(pix,piy),即Γ中對應的坐標為piu=(pix-pux,piy-puy)。

圖2 激光雷達點云示意圖Fig.2 Lidar point cloud map

2 傳統(tǒng)向量場直方圖算法原理

向量場直方圖（VFH）算法將無人機四周的障礙物映射到了以無人機為中心的極坐標系上,并采用三個層次的數(shù)據(jù)信息表示方法來對傳感器反饋的無人機周邊環(huán)境信息進行逐級數(shù)據(jù)縮減,以用于最終的基于閾值的方向控制,具體算法實現(xiàn)如下。

（1） VFH算法的第一步同樣需要構建柵格地圖。如圖3所示,將運行環(huán)境以柵格形式進行劃分,以無人機為中心構建活動窗口,并通過cij表示柵格內(nèi)存在障礙物的置信度,該值隨著激光雷達的不斷掃描而遞增更新。

圖3 柵格地圖構建Fig.3 Grid map construction

（2） 第二層VFH算法將柵格置信度矩陣和相對無人機的距離映射到極坐標直方圖上。以無人機坐標pu=(pux,puy)為中心建立極坐標系,每個柵格點(i,j)都可以看作一個由無人機指向柵格點的矢量,βij為該柵格在極坐標系下的角度,mij為障礙物確定度,用于計算極障礙物密度（POD）

式中,點(i,j)的坐標為(xi,yj)；cij為該柵格點的障礙物置信度；dij為該柵格點距離無人機的歐氏距離；a、b為正常數(shù),且取值滿足a-bdmax=0,其中dmax是無人機當前位置到活動窗口中最遠柵格的距離。

在VFH 算法中,無人機采用激光雷達等傳感器,具有360°全向視野。水平角度分辨率為ar,表示將360°視野分為n個角度為ar的扇區(qū),即n=。因此,每個柵格點即位于對應的扇區(qū)中,其扇區(qū)編號k如式（4）所示

式中,k= 0, 1, …,n- 1。每一個扇區(qū),都有一個極障礙物密度值,記作hk,由該扇區(qū)角度范圍內(nèi)障礙物確定度計算可得。

（3） 第三層是算法輸出,經(jīng)過第一層及第二層的障礙物信息處理,得到極坐標直方圖H,以表示無人機周圍各個扇區(qū)內(nèi)的障礙物分布情況。

直方圖中存在多個波峰波谷,設置一個閾值T來篩選出可能的前進方向。圖4 所示是一個典型的極坐標直方圖,其中每一個藍色柱形即為扇區(qū)對應的平滑處理后的極障礙物密度值。圖4中紅線即閾值T,根據(jù)極障礙物密度值小于閾值的扇區(qū)為波谷,從直方圖中篩選出三個備選波谷。

圖4 極坐標直方圖Fig.4 Polar coordinate histogram

設定角度閾值at,根據(jù)每個波谷跨越的連續(xù)扇區(qū)角度值大小將波谷劃分為寬波谷和窄波谷,若波谷寬度大于at則是寬波谷,否則是窄波谷。定義第m個波谷的起始和終止角度邊界值為αm_begin和αm_end,針對每一個波谷計算無人機運動的備選方向。窄波谷的角度中線即為備選方向,即；而寬波谷會在貼近邊界處產(chǎn)生兩個備選方向,即。

得到所有備選方向后根據(jù)目標在局部時變坐標系Γ下角度αg,選擇進行前進方向αtarget。若第m個波谷有αm_begin<αg<αm_end,即包含角度αg對應方向,則直接向目標運動即可；否則找出與αg最接近的備選方向作為新的αtarget。如圖5 所示,目標方向被波峰遮擋,因此無人機從波谷1 中選擇與目標方向最接近的備選方向作為前進方向。

最后根據(jù)本文研究場景,通過VFH算法設計無人機控制律,即u=(ηcos(αtarget),ηsin(αtarget)),其中η為正常數(shù)。

3 改進的VFH算法

VFH算法作為一種局部路徑規(guī)劃算法,存在以下缺陷:（1）傳統(tǒng)VFH算法的無記憶性導致在一些特殊場景中易陷入局部陷阱；（2）對于閾值的選擇影響到避障性能優(yōu)劣。針對以上問題,本節(jié)針對具體場景進行建模分析,提出基于陷阱檢測機制與動態(tài)閾值的VFH算法,仿真驗證所提出改進策略的有效性。

3.1 基于陷阱檢測機制的VFH算法

圖5 VFH算法示意圖Fig.5 VFH schematic diagram

本文將歷史時刻柵格信息作為記憶棧,并根據(jù)無人機是否陷入陷阱來動態(tài)選取記憶棧中的信息,以擴展VFH算法的記憶性。

首先設計了一種陷阱檢測機制,以實時判斷是否陷入了局部陷阱,示意圖如圖6所示。

圖6 實時陷阱檢測機制示意圖Fig.6 Real time trap detection mechanism

設置陷阱檢測精度αtrap,將每一個全局地形柵格(i,j)劃分為n個扇區(qū),即n=,每個扇區(qū)用一個對應值trap_numi,j,k描述無人機曾經(jīng)踏足柵格(i,j)且速度矢量角度φ位于扇區(qū)k的時刻信息。

（1） 初始階段,統(tǒng)計值trap_numi,j,k初始化為-1。

（2）t0時刻當無人機第一次到達某個柵格點(i,j)時（發(fā)現(xiàn)對應trap_numi,j,k=- 1）,設置此時無人機速度矢量角度φ對應扇區(qū)k的trap_numi,j,k為t0,其中。對于同一柵格點,無人機以不同角度φ′對應的扇區(qū)k′到達該柵格點,具有各自的發(fā)現(xiàn)時刻trap_numi,j,k和trap_numi,j,k′。

（3）設置陷阱檢測時間差ttrap,當t1時刻無人機再次到達柵格點(i,j) 時對應的trap_numi,j,k> =0,當t1-trap_numi,j,k>ttrap時判斷無人機已陷入陷阱,此時更新trap_numi,j,k為t1。若trap_numi,j,k>= 0 且t1-trap_numi,j,k≤ttrap,則說明有可能是由于無人機速度較慢導致在同一柵格內(nèi)停留較長時間,此時不需要更新trap_numi,j,k,以避免無人機在較小范圍內(nèi)震蕩運動時無法檢測出是否陷入陷阱。

針對任意時刻獲取到的障礙物信息,將其歸入記憶棧中,以用于基于部分歷史信息的局部避障。其示意圖如圖7 所示,記憶棧擁有先進后出的特性,棧中每一個元素以時間為單位,表示該時刻t新發(fā)現(xiàn)的障礙物柵格集合,即集合中的每一項都代表t時刻新發(fā)現(xiàn)的存在障礙的柵格(i,j),其對應置信度隨著傳感器掃描過程不斷更新并用于后續(xù)VFH極坐標直方圖的構建。對于圖7的場景,t=1 時刻無人機第一次探測到(3, 2), (3, 3), (3, 4), (3, 5),將其作為一個集合壓入記憶棧中；t= 2 時刻忽略已探測的(3, 5),將新探測到的(3, 6), (3, 7), (3, 8)壓入記憶棧中。t=3 時 則 將(3, 9), (3, 10), (3, 11), (4, 11), (5, 11),(5,1 2) 壓 棧。同時,對于壓入棧中的集合賦予對應的下標index,該索引值從0開始依次遞增,以表示障礙柵格集合壓棧順序。隨著無人機運動,逐漸構建起保存所有歷史障礙信息的記憶棧結構。

圖7 記憶棧示意圖Fig.7 Memory stack schematic diagram

設置索引值mt,即無人機選擇從下標index為mt直到棧頂?shù)恼系K柵格集合,距離現(xiàn)在最近時刻發(fā)現(xiàn)的柵格點將會被優(yōu)先取出。將集合中柵格(i,j)對應的置信度cij用于VFH算法的第二層數(shù)據(jù)縮減過程,與活動窗口中的柵格點共同構建極坐標直方圖H。區(qū)別于第2節(jié),本節(jié)在引入歷史障礙信息后,定義mij即柵格的障礙物確定度為mij=(a'-b'dij),其中,b'=b,其中,dmax是無人機當前位置到活動窗口中最遠柵格的距離,d′max是無人機當前位置到記憶棧選擇出的最遠柵格距離,通過以上方式可以避免柵格位于活動窗口之外導致的mij< 0。

歷史信息的選擇閾值mt并非一個定值,其隨運動過程中是否陷入陷阱而動態(tài)變換,以適應不同場景中的選取策略:當未陷入陷阱時,mt增大以避免使用冗余的歷史信息；當頻繁陷入陷阱時,mt減小以加強VFH 的記憶性幫助脫困,動態(tài)閾值mt的更新策略為:當陷阱檢測機制判斷無人機陷入陷阱時,mt=mt-gt,其中gt設計為大于1 的正整數(shù),以避免無人機脫困后mt難以追上記憶棧棧頂?shù)那闆r；當無人機踏足新柵格點,即柵格點(i,j) 的n個扇區(qū)都有trap_numi,j,k=-1,其中k= 0, 1,…,n-1時,mt=mt+gt。

根據(jù)本節(jié)提出的記憶信息選取策略,無人機在正常運動或陷入陷阱時的局部規(guī)劃策略是相同的,歷史信息選取數(shù)量會隨著無人機狀態(tài)的改變而發(fā)生動態(tài)變化,以適應不同場景下的VFH記憶性需求。

3.2 基于動態(tài)閾值的VFH算法

VFH 算法中如何選擇合適閾值是一個重要問題,無人機需要在避障與盡可能到達目標這兩者之間均衡。在原VFH算法中,閾值T大多數(shù)時候是基于經(jīng)驗的,這種方式雖然較為簡便,但是不利于未知復雜環(huán)境的有效避障。本文設計基于動態(tài)閾值的VFH算法,根據(jù)周圍環(huán)境情況自適應更新閾值T,以幫助無人機更好地在不同場景條件下進行局部規(guī)劃。

如圖8所示,希望在復雜場景中提高T以獲得更多可選方向,避免傳統(tǒng)VFH算法由于固定閾值可能出現(xiàn)的無解情況,并在脫離復雜環(huán)境后減小T以增強避障能力。

閾值T的自適應更新可能會增加部分非安全的波谷對應的無人機備選方向,此時需要考慮無人機運動過程中的安全性問題,即無人機應該與障礙物邊界保持一定的安全距離ds。因此,對傳統(tǒng)VFH中的部分窄波谷進行修正,對第m個波谷的起始和終止角度邊界值αm_begin和αm_end,定義修正量am_begin及am_end。

圖8 動態(tài)閾值示意圖Fig.8 Dynamic threshold schematic diagram

式中,dm_begin是波谷起始邊界障礙物與無人機間距,dm_end是波谷終止邊界障礙物與無人機間距。將起始和終止角度邊界 值αm_begin和αm_end修 正 為α'm_begin=αm_begin+am_begin和α'm_end=αm_end-am_end。修正后的第m個波谷的跨越扇區(qū)角度為(α'm_begin,α'm_end)。當α'm_begin≤α'm_end時,波谷m滿足無人機安全距離,可產(chǎn)生備選方向；否則跨越扇區(qū)范圍過窄,需要忽略掉該扇區(qū)以首先保證無人機安全性。

如圖9所示,設置最大閾值Tmax為極坐標直方圖H中的最大值,即動態(tài)閾值T不能大于Tmax,避免對障礙地形的過度忽略。閾值T動態(tài)更新策略為首先計算各個波谷中滿足安全邊界距離的POD最大值h'i_max,從各個波谷的h'i_max中選擇最小值h'min,根據(jù)該最小值h'min和最大閾值Tmax計算動態(tài)閾值T,具體如下:

圖9 閾值選擇示意圖Fig.9 Threshold selection schematic diagram

（1）由極坐標直方圖H中n個波谷扇區(qū)的POD 極小值h′k,k= 0, 1, …,n- 1,構成集合M,其中第i個POD極小值h′i對應角度屬于第i個極小值扇區(qū),h′i∈M。

（2）針對第i個極小值扇區(qū),其跨越角度范圍為(βi_begin,βi_end)且滿足βi_end-βi_begin=ar。根據(jù)無人機障礙邊界安全距離ds,計算到極小值扇區(qū)中心的角度修正量,從而得到安全波谷范圍為(pi,qi)

式中,βpi_begin為扇區(qū)pi的角度左邊界,βqi_end為扇區(qū)qi的角度右邊界；dpi為扇區(qū)pi中的障礙物與無人機最近距離,dqi為扇區(qū)qi中的障礙物與無人機最近距離。

（3）根據(jù)獲得的包含扇區(qū)i的安全波谷范圍(pi,qi),通過極坐標直方圖H,選擇該安全波谷范圍中各角度對應POD值的最大值h'i_max,其中pi≤i_max ≤qi。

（4）從多個波谷得到多個h'i_max,選擇其中最小值h′min=min(h'i_max),i= 0, 1, …,n-1為基準計算閾值T

式中,λt為動態(tài)閾值增益系數(shù),是滿足0 <λt< 1的常數(shù)。

針對圖8 場景中固定閾值可能導致的無解問題,通過上述動態(tài)閾值策略基于Airsim仿真驗證方法的有效性。設置40 × 40m的二維平面區(qū)域,無人機起始坐標為(0,0)m,目標坐標為(12,12)m,約束無人機最大速度為vmax=2m/s。設置激光雷達最大探測半徑為dr= 12m、探測精度為ar=5°。對于VFH 算法中的參數(shù),設置柵格大小為0.5m × 0.5m,活動窗口大小為25m × 25m,障礙物確定度常數(shù)a=12,b由活動窗口大小和a的值確定,實時陷阱檢測精度αtrap=,記憶信息增量gt=2,安全距離ds=1.5m,動態(tài)閾值增益系數(shù)λt=0.5,無人機控制律增益系數(shù)η= 0.5。在距離無人機初始位置較近區(qū)域存在較密集障礙物,且對目標造成遮擋。仿真步長設置為0.1s,仿真結果如圖10所示。

圖10 無人機運動過程Fig.10 UAV motion process

由仿真結果可知,由于無人機的探測半徑較大且障礙物對無人機呈包圍分布,因此傳統(tǒng)VFH算法的固定閾值策略使所有扇區(qū)均處于波峰,沒有無人機的可選運動方向。根據(jù)本節(jié)提出的策略,通過極坐標直方圖中具體數(shù)據(jù)信息動態(tài)更新閾值,從而擴展波谷扇區(qū)范圍,增加無人機備選方向,幫助無人機脫困。改進的VFH算法流程如圖11所示。

3.3 無人機整體避障策略

本文采用A*算法作為全局規(guī)劃部分,且A*中的柵格與靜態(tài)已知障礙物的柵格劃分規(guī)則保持一致（此處用于全局規(guī)劃的柵格矩陣M與局部規(guī)劃部分的障礙物置信度矩陣C的柵格精度并非一致）。經(jīng)過A*算法,無人機得到一條避過靜態(tài)已知障礙物的具體路徑,且該路徑以柵格點集的形式表示。無人機跟隨該路徑開始運動,按照順序設置全局規(guī)劃結果點集中的柵格點為臨時目標點,并通過激光雷達傳感器進行實時地形探測。當感知到周邊地形覆蓋了臨時目標點時,使用上文中基于改進VFH 算法的局部規(guī)劃策略,并更新臨時目標點為全局規(guī)劃結果點集中的下一個柵格點,重復循環(huán)以上過程直到到達臨時目標后從局部規(guī)劃策略切換回全局規(guī)劃策略。單無人機整體避障策略流程如圖12所示。

4 仿真驗證

圖11 改進VFH算法流程Fig.11 Improved VFH flow chart

圖12 無人機整體避障策略流程Fig.12 UAV overall obstacle avoidance strategy flow chart

本節(jié)對上文提出的未知復雜環(huán)境下單無人機避障策略進行仿真驗證。在全局規(guī)劃部分采用A*算法,在局部規(guī)劃策略部分,分別采用基于傳統(tǒng)VFH算法及本文提出的基于陷阱檢測機制與動態(tài)閾值的VFH算法進行了仿真,并對比兩種局部規(guī)劃策略下單無人機避障效果,以驗證本文提出策略的有效性。

首先基于Airsim 仿真平臺進行環(huán)境搭建,如圖13 所示,構建40m×40m的矩形區(qū)域,無人機起始坐標為(2,7)m,目標坐標為(38, 32)m,約束無人機最大速度為vmax=1.5m/s,地圖柵格精度dg=0.5m,激光雷達最大探測范圍dr= 4m、水平探測精度ar=5°。

圖13 基于Airsim的仿真場景搭建Fig.13 Simulation scenes based on Airsim

以柵格點集的形式設置靜態(tài)已知障礙物,圖14中的黑色矩形即為無人機起飛前的已知地形。根據(jù)基于A*算法的全局規(guī)劃策略進行路徑規(guī)劃,圖14中的藍色點集即為規(guī)劃結果。無人機需要以全局規(guī)劃結果作為飛行路徑,并通過激光雷達傳感器實時感知地形信息判斷是否需要切換到局部規(guī)劃策略。

圖14 全局路徑規(guī)劃結果Fig.14 Global path planning

（1） 基于傳統(tǒng)VFH算法的局部規(guī)劃策略

針對局部規(guī)劃下傳統(tǒng)VFH算法對無人機的運動控制,對激光雷達點云進行三層數(shù)據(jù)減縮處理,設置障礙物置信度柵格精度為0.25m × 0.25m,活動窗口大小為10m × 10m,障礙物確定度常數(shù)a= 4,b由活動窗口大小和a的值確定,無人機控制律增益系數(shù)η= 0.5。無人機運動過程如圖15所示。

無人機在t= 15s 左右處于局部路徑規(guī)劃策略,無人機與目標間有連續(xù)密集障礙物,由于傳統(tǒng)VFH算法的無記憶性與貪心的規(guī)劃策略導致無人機會在一定空間區(qū)域內(nèi)來回震蕩運動,即陷入了陷阱。這也是許多局部路徑規(guī)劃算法存在的問題,即短視的規(guī)劃策略導致僅僅能夠避過附近障礙,在復雜場景下不具有有效性。

圖15 基于傳統(tǒng)VFH算法的無人機運動過程Fig.15 UAV motion process based on traditional VFH

（2） 基于改進VFH算法的局部規(guī)劃策略

針對局部規(guī)劃下改進的VFH 算法對無人機的運動控制,在傳統(tǒng)VFH 的基礎上引入陷阱檢測與動態(tài)閾值機制,對其中涉及參數(shù)設置實時陷阱檢測精度αtrap=,記憶信息增量gt= 3,安全距離ds= 1.5m,動態(tài)閾值增益系數(shù)λt= 0.7,其他傳統(tǒng)VFH 算法中涉及參數(shù)與改進前VFH 算法仿真參數(shù)保持一致。無人機運動過程如圖16 所示。無人機運動狀態(tài)、t= 15s 時,無人機同樣處于局部規(guī)劃策略,但是實時陷阱監(jiān)測機制根據(jù)無人機的重復震蕩運動判斷出無人機已陷入陷阱,動態(tài)調(diào)整VFH 算法的記憶性,通過記憶棧擴展極坐標直方圖中的扇區(qū)障礙物信息以幫助無人機脫困。與此同時,動態(tài)閾值策略保證在復雜或稀疏的不同場景中都能有合理的波谷篩選閾值,讓無人機有更多的備選方向。

對比改進前后VFH算法的仿真結果,本文提出的基于陷阱檢測機制與動態(tài)閾值的VFH 算法能夠解決傳統(tǒng)局部規(guī)劃算法中的易陷入局部陷阱的問題,更加符合未知環(huán)境下無人機路徑規(guī)劃的要求。

圖16 基于改進VFH算法的無人機運動過程Fig.16 UAV motion process based on improved VFH

5 結論

本文針對未知復雜環(huán)境下的無人機路徑規(guī)劃問題,提出了一種全局規(guī)劃基于A*算法與局部規(guī)劃基于改進VFH算法的避障策略。首先進行無人機避障環(huán)境建模,并對傳統(tǒng)VFH 算法進行詳細介紹并闡述其局限性。針對VFH 算法的無記憶性問題,設計了一種實時陷阱檢測機制,根據(jù)無人機運動狀態(tài)動態(tài)選擇歷史柵格信息以避免陷入局部陷阱；針對VFH 算法的閾值敏感性問題,設計了一種動態(tài)閾值更新策略,增強算法在不同場景中的有效性。最后通過Airsim對比仿真驗證了本文提出算法的有效性。