高密度場景下基于改進A* 算法的無人機路徑規(guī)劃

摘 要：針對無人機在高密度障礙物的城市環(huán)境飛行中路徑規(guī)劃實時性難以滿足的問題，在Ａ* 算法基礎上結合跳點搜索（Ｊｕｍｐ Ｐｏｉｎｔ Ｓｅａｒｃｈ，ＪＰＳ）策略，提出一種Ｊｕｍｐ Ａ*（ＪＡ* ）算法。將Ａ* 算法進行三維擴展，并提出了一種三維對角距離精確表示了實際路徑代價，縮短了搜索時間。在二維ＪＰＳ 策略的基礎上拓展得到了三維ＪＰＳ 策略，代替了Ａ* 算法中的幾何鄰居擴展，大大減少了擴展結點數。對障礙物密度０． １ ～ ０． ４ 的復雜三維柵格地圖進行了路徑規(guī)劃仿真。仿真結果表明，ＪＡ* 算法相較于Ａ*算法，在高密度多障礙物的近地城市環(huán)境下，路徑長度幾乎不變，評估節(jié)點數大幅度減小，搜索速度具有顯著提升。

關鍵詞：路徑規(guī)劃；跳點搜索；Ａ*算法；三維柵格地圖；高密度障礙物

中圖分類號：ＴＮ９１９． ２３ 文獻標志碼：Ａ 開放科學（資源服務）標識碼（ＯＳＩＤ）：

文章編號：１００３－３１１４（２０２４）０４－０７１３－０７

０ 引言

無人機作為先進的飛行器，具有體積小、成本低等優(yōu)勢，已廣泛用于執(zhí)行識別、探測和監(jiān)控等任務。然而，要在復雜環(huán)境中成功完成任務，需要解決路徑規(guī)劃問題。

根據對先驗環(huán)境的已知程度，路徑規(guī)劃可以分為全局與局部路徑規(guī)劃［１－３］。局部路徑規(guī)劃通常采用人工勢場法［４］和動態(tài)窗口法［５］等。本文主要研究了全局路徑規(guī)劃問題，目前常用算法有Ａ* 算法［６］、Ｄｉｊｋｓｔｒａ 算法［７］、ＲＲＴ 算法［８］、蟻群算法［９］等。而根據使用方法和地圖的不同，可分為基于柵格地圖的路徑規(guī)劃算法、基于采樣的路徑規(guī)劃算法和智能仿真算法等。

在基于柵格地圖的路徑規(guī)劃算法中，Ａ* 算法被廣泛應用。然而，它仍存在一些缺點，例如：由于大量操作優(yōu)先級隊列導致運行速度緩慢，內存占用大，以及在對稱路徑的環(huán)境中會耗費更多時間。Ｈａｒａｂｏｒ等［１０］于２０１１ 年提出了跳點搜索（Ｊｕｍｐ Ｐｏｉｎｔ Ｓｅａｒｃｈ，ＪＰＳ）算法，針對Ａ*算法的冗余節(jié)點進行了剪枝，減小了不必要的搜索，實現(xiàn)了節(jié)點間的長距離跳躍，大幅度提升了運行速度。此外，文獻［１１］提出一種六邊形柵格ＪＰＳ 策略，進一步提升了搜索速度。

在啟發(fā)式函數方面，文獻［１２］提出了一種等同真實距離的啟發(fā)式函數，但缺少三維場景的擴展。文獻［１３］提出了一種改進Ａ*算法應用于二維移動機器人，解決了Ａ算法存在大量冗余節(jié)點的問題，但缺少對應的三維ＪＰＳ 策略。

在軌跡平滑方面，文獻［１４］使用Ｔｈｅｔａ*算法在復雜三維場景中實現(xiàn)了路徑規(guī)劃，獲得了更加平滑的路徑。文獻［１５］對ＪＰＳ 搜索策略進行了優(yōu)化，同時引入了３ 次Ｂ 樣條插值進行路徑平滑，相較于Ｔｈｅｔａ*算法將規(guī)劃與軌跡平滑進行了步驟分離。

在ＪＰＳ 搜索策略優(yōu)化方面，文獻［１６］用“對角優(yōu)先”方式改進了ＪＰＳ 搜索策略，使對Ｏｐｅｎｌｉｓｔ 的操作大大減小。文獻［１７］采用向量叉積與尺度平衡因子相結合的方法優(yōu)化傳統(tǒng)ＪＰＳ 算法的啟發(fā)函數。

在對Ｏｐｅｎｌｉｓｔ 數據結構優(yōu)化上，文獻［１８］使用最小堆的數據結構對Ｏｐｅｎｌｉｓｔ 進行了改進，使其取最小值的速度大幅度提升。

在實際場景中，文獻［１９］將改進Ａ* 算法部署在了農業(yè)無人機上，大幅提升了路徑規(guī)劃的速度。文獻［２０］利用改進ＲＲＴ 算法實現(xiàn)了無人機電力桿塔巡檢的路徑規(guī)劃。

針對傳統(tǒng)Ａ*算法在障礙物較多的三維場景中搜索效率較低的問題，本文提出一種Ｊｕｍｐ Ａ*（ＪＡ*）算法，對Ａ* 算法的啟發(fā)式函數進行了改進，使其等于實際的最佳路徑代價。在二維ＪＰＳ 策略的基礎上拓展得到了三維ＪＰＳ 策略，代替了Ａ*算法中的幾何鄰居擴展，大大減小了擴展結點數。解決了在路徑對稱時Ａ* 算法造成的冗余問題，提升了算法的運行效率，滿足了無人機路徑規(guī)劃對實時性的要求。

１ 問題描述

１． １ 環(huán)境模型建立

在無人機路徑規(guī)劃中，需要建立一個坐標系統(tǒng)，通過傳感器信息建立一個能表示環(huán)境的地圖模型。本文使用三維柵格地圖來構建環(huán)境地圖模型。為構建精確的柵格地圖，將雙目深度相機獲取的三維點云地圖轉換為分辨率為０． ２ 的三維柵格地圖，將無人機視為一個方格，便于在占用柵格地圖中進行計算。無人機的位置使用柵格地圖中的索引坐標表示，空白地區(qū)為無障礙物地區(qū)，柵格為空閑狀態(tài)，有灰白色占用柵格的地區(qū)為障礙物地區(qū)，柵格為占用狀態(tài)，柵格地圖如圖１ 所示。

無人機飛行過程中會存在不同的飛行方向，在不考慮障礙物以及地圖邊緣的情況下，可以向三維柵格中的２６ 個方向移動，如圖２ 所示，不同的方向存在不一樣的路徑長度。

１． ２ Ａ*算法及存在的問題

Ａ*算法是一種啟發(fā)式的搜索算法，在Ｄｉｊｋｓｔｒａ算法的基礎上融合了貪心算法的思想，不同于Ｄｉｊｋｓｔｒａ 算法的隨機各方向擴張，Ａ* 算法通過啟發(fā)式的搜索策略，可以更快地得到最優(yōu)路徑。在二維柵格中其搜索方向為４ 鄰域或８ 鄰域，如圖３ 所示。

三維柵格地圖中其擴展方向為２６ 鄰域或６ 鄰域，代價函數表達式為：

ｆ（ｎ）＝ ｇ（ｎ）＋ｈ（ｎ）， （１）

式中：ｆ（ｎ）為由起始節(jié)點到目標節(jié)點的總代價函數，ｇ（ｎ）為由起始節(jié)點到當前節(jié)點ｎ 所產生的實際代價函數，ｈ（ｎ）為當前節(jié)點到目標節(jié)點的預估代價函數。

式中：ｘｓ、ｙｓ、ｚｓ 為起始節(jié)點的坐標，ｘｎ、ｙｎ、ｚｎ 為當前節(jié)點的坐標，ｇ（ｎ）為三維空間中起始點ｓ 與當前節(jié)點ｎ 的真實距離。預估代價函數ｈ（ｎ）具有多種表達形式，一般有歐氏距離、曼哈頓距離：

式中：預估代價函數ｈ（ｎ）的取值決定了Ａ* 算法搜索效率，當ｈ（ｎ）取值為０ 時將退化為Ｄｉｊｋｓｔｒａ 算法，而當ｈ（ｎ）遠大于實際路徑損耗時將退化為基于貪心算法思想的廣度優(yōu)先搜索。

傳統(tǒng)Ａ*算法在整個全局路徑規(guī)劃過程中占用了大量內存，在搜索過程中，需要維護一個隊列，隊列中可能會存儲大量節(jié)點信息，如果搜索的空間較大，內存消耗也會較高。

２ ＪＡ*算法設計

為了解決上述問題，本文針對評估函數進行了改進，并且融合了三維ＪＰＳ 策略對Ａ* 算法進行改進。

２． １ 改進啟發(fā)式函數計算方式

恰當的啟發(fā)式函數能提高Ａ*算法的搜索效率，傳統(tǒng)Ａ*算法中通常使用歐氏距離與曼哈頓距離作為啟發(fā)式搜索函數，但在柵格地圖中，歐氏距離會小于實際的路徑距離，會導致拓展的節(jié)點數增加。

因此本文采用三維空間中的對角線距離作為啟發(fā)式搜索函數，對角線距離是指網格地圖中用于計算兩個節(jié)點之間的估價函數，常用于處理斜向移動的情況。在實際最優(yōu)路徑中，沿著４５°角方向擴展必然路徑長度小于９０°角方向擴展，因此二維空間下的對角線啟發(fā)函數為：

式中：ｘｇ 與ｙｇ 為目標點橫縱坐標，ｘｎ 與ｙｎ 為當前點的橫縱坐標。

二維平面下的啟發(fā)式函數如圖４ 所示，綠色為二維曼哈頓距離，藍色為二維歐氏距離，黑色為二維對角線距離，顯然歐氏距離小于實際最優(yōu)距離，曼哈頓距離大于實際最優(yōu)距離，而對角線距離與實際最優(yōu)距離相等，因此通過對角線距離計算得到的代價值增強了算法啟發(fā)性的同時也能讓算法得到最優(yōu)路徑。

在二維對角線啟發(fā)式函數的基礎上，本文對其進行拓展得到了三維對角線啟發(fā)式函數，如圖５ 所示，圖中分別顯示了點（０，０，－１）到（１，１，１）的距離。紅色為三維歐氏距離，藍色為三維對角線，綠色為距離三維曼哈頓距離，代價值依次為４、根號下６ 、根號下３ ＋１。顯然，對角線距離更符合真實無人機運動的鄰域擴展，在２６ 鄰域的假設下，對角線距離與真實代價相等。因此，對角線距離更接近無人機真實運動的路徑代價。

ｄｘ＝ ｜ｘｇ －ｘｎ ｜， （６）

ｄｙ＝ ｜ｙｇ －ｙｎ ｜， （７）

ｄｚ＝ ｜ｚｇ －ｚｎ ｜， （８）

式中：ｄｚ、ｄｙ、ｄｚ 為目標點坐標與當前點坐標的絕對距離，需要對ｄｘ、ｄｙ、ｄｚ 進行大小排序，假設從大到小依次為Ｖａｌ１、Ｖａｌ２、Ｖａｌ３。

式中：ｈ（ｎ）為２６ 鄰域下實際的路徑代價。在傳統(tǒng)的啟發(fā)式函數中，歐氏距離小于實際的路徑代價，因此能獲取更準確的最優(yōu)路徑但同時耗費的時間也會增加；而曼哈頓距離則大于實際的路徑代價，因此其耗時較少但同時不一定會得到最優(yōu)路徑。相對而言對角線距離在速度和最優(yōu)性方面達到了平衡。

２． ２ 三維ＪＰＳ 策略設計

ＪＰＳ 算法是在Ａ* 算法的基礎上提出的一種減少鄰域拓展過程中產生大量冗余中繼節(jié)點的優(yōu)化策略。本文拓展了二維ＪＰＳ 搜索策略，得到了三維空間下的修剪規(guī)則與跳躍規(guī)則，并與三維空間下的Ａ*算法結合。修剪的基本準則是當拓展至當前節(jié)點ｎ 時，若ｘ 的鄰居節(jié)點可以從父節(jié)點不經過ｘ 到達且代價更低時，則不考慮擴展該節(jié)點。不同于Ａ*算法需要將幾何意義上的所有鄰居節(jié)點加入ＯｐｅｎＬｉｓｔ 中進行評估，ＪＰＳ 算法在鄰居節(jié)點中進行篩選，選取符合修剪規(guī)則的節(jié)點。符合修剪規(guī)則的節(jié)點，將其稱為自然鄰居節(jié)點，而障礙物不能被修剪的節(jié)點稱為強制鄰居節(jié)點。因此修剪規(guī)則根據當前節(jié)點的鄰居節(jié)點是否存在障礙物，分兩類情況討論。

在三維場景下，無障礙物的２６ 鄰域擴展可分為３ 種情況：① 平移（代價為１）；② 對角線移動（代價為槡２ ）；③ 斜上對角線移動（代價為槡３ ）。將三維空間中的２７ 個節(jié)點分為３ 層，每層９ 個節(jié)點。紅色節(jié)點表示當前拓展到的節(jié)點，黃色節(jié)點為其父節(jié)點，綠色節(jié)點為當前節(jié)點下一步考慮的擴展節(jié)點，白色節(jié)點為下一步拓展中不再考慮的劣性節(jié)點，黑色節(jié)點為障礙物。

２． ２． １ 情況１：鄰居節(jié)點無障礙物

當父節(jié)點到當前節(jié)點的移動為平行移動時，如圖６ 所示。

當父節(jié)點到當前節(jié)點的移動為對角線移動時，如圖７ 所示。

當父節(jié)點到當前節(jié)點的移動為斜對角線移動時，如圖８ 所示。

２． ２． ２ 情況２：鄰居節(jié)點存在障礙物

當父節(jié)點到當前節(jié)點的移動為平行移動時，考慮中間層與頂層存在障礙物，如圖９ 所示。

當父節(jié)點到當前節(jié)點的移動為對角線移動時，考慮中間層與頂層存在障礙物，底層存在障礙物時不會產生強制鄰居節(jié)點，如圖１０ 所示。

當父節(jié)點到當前節(jié)點的移動為斜對角線移動時，考慮底層存在障礙物，中間層與頂層存在礙物時不會產生強制鄰居節(jié)點，如圖１１ 所示。

２． ３ 算法流程

改進Ａ*算法流程如算法１ 所示。

３ 算法仿真與分數據分析

為了驗證ＪＡ*算法的有效性，本文在三維環(huán)境中對Ｄｉｊｋｓｔｒａ 算法、Ａ* 算法和ＪＡ* 算法進行了仿真分析。使用Ｕｂｕｎｔｕ １８． ０４ 操作系統(tǒng)和ＲＯＳ Ｍｅｌｏｄｉｃ 作為設備軟件配置，并搭配ＡＭＤ Ｒｙｚｅｎ ７ ５８００Ｈ 處理器。為了便于部署于真實無人機且用于可視化，本文使用了ｒｏｓ＋ｒｖｉｚ 作為仿真平臺。在仿真分析中，針對使用不同啟發(fā)式函數的Ａ*算法與相同地圖大小和不同障礙物密度的環(huán)境對算法進行了比較。

３． １ 不同啟發(fā)式函數對比

如表１ 所示，在障礙物與柵格比例為０． ４ 的不同大小地圖中進行Ａ* 算法路徑規(guī)劃時，對角線距離、歐式距離與曼哈頓距離的對比。

以曼哈頓函數作為啟發(fā)式函數時，其計算接近于貪心算法，因此其評估節(jié)點數最少，搜索效率最高，但同時有概率獲取到非最優(yōu)路徑。歐式距離由于其計算復雜，導致效率較低。而對角線距離在具備遠高于曼哈頓距離的搜索速度的同時，也能兼顧最優(yōu)的搜索路徑長度。

圖１２ 和圖１３ 對比了３ 種啟發(fā)式函數下的算法在不同大小地圖上的規(guī)劃速度，可以看出，在規(guī)劃時間上對角線距離與曼哈頓距離接近，均遠快于歐氏距離。

３． ２ 不同算法對比實驗

圖１４ 為３ 種算法在不同障礙物密度的１０ ｍ×１０ ｍ×５ ｍ 隨機柵格地圖中進行１０ 次仿真實驗，設定起始點為坐標（０，０，１）ｍ，設置地圖內四角為固定終點。紅色柵格為ＪＡ*算法與Ａ*算法有部分重合，藍色柵格為Ｄｉｊｋｓｔｒａ 算法，綠色柵格為Ａ*算法。

在障礙物密度為０． ２ 的１０ ｍ×１０ ｍ×５ ｍ 地圖中進行仿真對比，如圖１５ 所示，規(guī)劃數據如圖１６ 與表２ 所示。

對比Ａ*算法、Ｄｉｊｋｓｔｒａ 算法與ＪＡ*算法，ＪＡ*算法在大多數情況下具備最快的運行速度，同時大大減少了拓展節(jié)點與內存的占用。在障礙物密度為０．２ 時，ＪＡ*算法搜索速度較Ａ*算法提升了２８７． ６０％；障礙物密度為０． ４ 時，搜索速度提升了５７８． ２３％ 。在評估節(jié)點數量的對比上，ＪＡ*算法的評估節(jié)點數大大減小。仿真結果表明，在障礙物密度較大的情況下評估節(jié)點數量與搜索速度方面，ＪＡ* 算法遠優(yōu)于傳統(tǒng)Ａ*算法。在障礙物密度較小時，ＪＡ*算法搜索速度會略低于Ａ*算法。

４ 結束語

本文針對在密集障礙物環(huán)境無人機進行路徑規(guī)劃中Ａ* 算法速度慢、冗余節(jié)點多的問題，提出了一種ＪＡ*搜索算法，對Ａ*算法的啟發(fā)式函數進行了改進，融合了ＪＰＳ 算法的思想并進行了三維拓展。通過對不同大小以及不同障礙物密度的地圖進行了仿真分析與對比，證明了ＪＡ* 算法的有效性。仿真結果表明，在障礙物密度較大時，ＪＡ* 算法較于Ａ算法在不影響最優(yōu)路徑的情況下能大幅度提升搜索速度，大大減少了對隊列的操作次數。

本文算法也尚且存在不足之處，例如雖然ＪＡ*算法在復雜場景的搜索速度上具有巨大提升，但路徑不夠平滑?？梢酝ㄟ^進一步引入平滑函數來減小無人機加減速時的耗能。

參考文獻

［１］ 霍鳳財，遲金，黃梓健，等． 移動機器人路徑規(guī)劃算法綜述［Ｊ］． 吉林大學學報（信息科學版），２０１８，３６（６）：６３９－６４７．

［２］ 朱磊，樊繼壯，趙杰，等． 基于柵格法的礦難搜索機器人全局路徑規(guī)劃與局部避障［Ｊ］． 中南大學學報（自然科學版），２０１１，４２（１１）：３４２１－３４２８．

［３］ 王春穎，劉平，秦洪政． 移動機器人的智能路徑規(guī)劃算法綜述［Ｊ］． 傳感器與微系統(tǒng)，２０１８，３７（８）：５－８．

［４］ 張建英，趙志萍，劉暾． 基于人工勢場法的機器人路徑規(guī)劃［Ｊ］． 哈爾濱工業(yè)大學學報，２００６，３８ （８ ）：１３０６－１３０９．

［５］ ＦＯＸ Ｄ，ＢＵＲＧＡＲＤ Ｗ，ＴＨＲＵＮ Ｓ． Ｔｈｅ Ｄｙｎａｍｉｃ Ｗｉｎｄｏｗ Ａｐｐｒｏａｃｈ ｔｏ Ｃｏｌｌｉｓｉｏｎ Ａｖｏｉｄａｎｃｅ ［Ｊ］． ＩＥＥＥ Ｒｏｂｏｔｉｃｓ ＆Ａｕｔｏｍａｔｉｏｎ Ｍａｇａｚｉｎｅ，１９９７，４（１）：２３－３３．

［６］ ＥＶＥＲＳＯＮ Ｌ Ｒ，ＳＡＰＡＴＮＥＫＡＲ Ｓ Ｓ，ＫＩＭ Ｃ Ｈ． Ａ Ｔｉｍｅｂａｓｅｄ Ｉｎｔｒａｍｅｍｏｒｙ Ｃｏｍｐｕｔｉｎｇ Ｇｒａｐｈ Ｐｒｏｃｅｓｓｏｒ Ｆｅａｔｕｒｉｎｇ Ａ Ｗａｖｅｆｒｏｎｔ Ｅｘｐａｎｓｉｏｎ ａｎｄ ２Ｄ Ｇｒａｄｉｅｎｔ Ｃｏｎｔｒｏｌ［Ｊ］．ＩＥＥＥ Ｊｏｕｒｎａｌ ｏｆ Ｓｏｌｉｄｓｔａｔｅ Ｃｉｒｃｕｉｔｓ，２０２１，５６ （７ ）：２２８１－２２９０．

［７］ ＰＲＩＭ Ｒ Ｃ． Ｓｈｏｒｔｅｓｔ Ｃｏｎｎｅｃｔｉｏｎ Ｎｅｔｗｏｒｋｓ ａｎｄ Ｓｏｍｅ Ｇｅｎｅｒａｌｉｚａｔｉｏｎｓ［Ｊ］． Ｔｈｅ Ｂｅｌｌ Ｓｙｓｔｅｍ Ｔｅｃｈｎｉｃａｌ Ｊｏｕｒｎａｌ，１９５７，３６（６）：１３８９－１４０１．

［８］ ＤＡ ＳＩＬＶＡ Ｃ Ｌ，ＴＯＮＩＤＡＮＤＥＬ Ｆ． ＤＶＧ＋ Ａ ａｎｄ ＲＲＴ Ｐａｔｈｐｌａｎｎｅｒｓ：Ａ Ｃｏｍｐａｒｉｓｏｎ ｉｎ ａ Ｈｉｇｈｌｙ Ｄｙｎａｍｉｃ Ｅｎｖｉｒｏｎｍｅｎｔ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｉｎｔｅｌｌｉｇｅｎｔ ＆ Ｒｏｂｏｔｉｃ Ｓｙｓｔｅｍｓ，２０２１，１０１：５８．

［９］ ＤＯＲＩＧＯ Ｍ，ＧＡＭＢＡＲＤＥＬＬＡ Ｌ Ｍ． Ａｎｔ Ｃｏｌｏｎｙ Ｓｙｓｔｅｍ：Ａ Ｃｏｏｐｅｒａｔｉｖｅ Ｌｅａｒｎｉｎｇ Ａｐｐｒｏａｃｈ ｔｏ ｔｈｅ Ｔｒａｖｅｌｉｎｇ Ｓａｌｅｓｍａｎ Ｐｒｏｂｌｅｍ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｅｖｏｌｕｔｉｏｎａｒｙ Ｃｏｍｐｕｔａｔｉｏｎ，１９９７，１（１）：５３－６６．

［１０］ＨＡＲＡＢＯＲ Ｄ，ＧＲＡＳＴＩＥＮ Ａ． Ｏｎｌｉｎｅ Ｇｒａｐｈ Ｐｒｕｎｉｎｇ ｆｏｒ Ｐａｔｈｆｉｎｄｉｎｇ ｏｎ Ｇｒｉｄ Ｍａｐｓ［ＥＢ／ ＯＬ］． ［２０２４－０２－２０］． ｈｔｔｐｓ：∥ｃｄｎ． ａａａｉ． ｏｒｇ／ ｏｊｓ／７９９４ ／７９９４－１３ －１１５２２ －１ －２ －２０２０１２２８． ｐｄｆ．

［１１］王文明，杜佳璐． 基于正六邊形柵格ＪＰＳ 算法的智能體路徑規(guī)劃［Ｊ］． 系統(tǒng)工程與電子技術，２０２１，４３（１２）：３６３５－３６４２．

［１２］張慶，劉旭，彭力，等． 融合ＪＰＳ 和改進Ａ* 算法的移動機器人路徑規(guī)劃［Ｊ］． 計算機科學與探索，２０２１，１５（１１）：２２３３－２２４０．

［１３］趙曉，王錚，黃程侃，等． 基于改進Ａ* 算法的移動機器人路徑規(guī)劃［Ｊ］． 機器人，２０１８，４０（６）：９０３－９１０．

［１４］林思偉，席萬強，李青云，等． 復雜環(huán)境下的無人機三維路徑規(guī)劃［Ｊ］． 電光與控制，２０２３，３０（２）：３１－３５．

［１５］趙衛(wèi)東，唐顧杰，宋江一． 基于改進ＪＰＳ 與三次Ｂ 樣條插值的路徑規(guī)劃算法［Ｊ］． 安徽工業(yè)大學學報（自然科學版），２０２２，３９（２）：１８９－１９５．

［１６］宋曉茹，任怡悅． 面向移動機器人快速全局路徑規(guī)劃的改進跳點搜索算法［Ｊ］． 科學技術與工程，２０２０，２０（２９）：１１９９２－１１９９９．

［１７］胡士強，武美萍，施健，等． 融合向量叉積與跳點搜索策略的改進Ａ 算法研究［Ｊ／ ＯＬ］． 機械科學與技術，２０２３：１－１０（２０２３－０１－０６）［２０２４－０３－０２］． ｈｔｔｐｓ：∥ｄｏｉ．ｏｒｇ／１０． １３４３３ ／ ｊ． ｃｎｋｉ． １００３－８７２８． ２０２３００１７．

［１８］謝春麗，高勝寒，孫學志． 融合改進Ａ* 算法和貝塞爾曲線優(yōu)化的路徑規(guī)劃算法［Ｊ］． 重慶理工大學學報（自然科學），２０２２，３６（７）：１７７－１８７．

［１９］田茹，曹茂永，馬鳳英，等． 基于改進Ａ*算法的農用無人機路徑規(guī)劃［Ｊ］． 現(xiàn)代電子技術，２０２２，４５（４）：１８２－１８６．

［２０］羅隆福，李冬，鐘杭． 基于改進ＲＲＴ 的無人機電力桿塔巡檢路徑規(guī)劃［Ｊ］． 湖南大學學報（自然科學版），２０１８，４５（１０）：８０－８６．

作者簡介：

趙烈海 男，（１９９９—），碩士研究生。主要研究方向：無人機避障與路徑規(guī)劃。

（*通信作者）李大鵬 男，（１９８２—），博士，教授，博士生導師。主要研究方向：無人機群體智能、分布式網絡技術、無人機集群控制。