基于改進(jìn)人工水母搜索算法的礦井救援無(wú)人機(jī)路徑規(guī)劃研究

中圖分類號(hào)：TD76 文獻(xiàn)標(biāo)志碼：A

Research on path planning for mine rescue UAV based on improved Artificial Jellyfish Search algorithm

ZHENG Xuezhao1.2.3，DIAO Chengze1，2，CAI Guobin1.3.4，WENHu1，2.3，YANGBo1.2.3， HOU Zongxuan1，MOUHaowei1.2

（1.College ofSafetyScienceandEnginering，Xi'an UniversityofScienceandTechnology，Xi'an71oo54，China;

2.Xi'an Research Centerof National MineRescue，Xi'an710o54，China；3.KeyLaboratoryof Urban Safety and

Emergency Rescue in Shaanxi Provincial HigherEducation Institutions，Xi'an71oo54，China；4.Shaanxi Xikuang Zhitong Technology Co.，Ltd.，Xi'an 710086，China）

Abstract： To improve the path search efciency and path optimization of mine rescue UAVs in environments with narrow passgesand dense，complex obstacles，a path planning method based on the improved Artificial

Jellyfish Search （IJS） algorithm was proposed. The Artificial Jelyfish Search （JS） algorithm was combined with the Logistic chaotic mapping to update pheromones and avoid faling into local optima. A Gaussian mutation function was applied to reduce the number of poor-quality individuals in the population. A Levy flight disturbance strategy was introduced to optimize the position update formulas during the phases of drifting with ocean currents （global search） and tracking food sources （local search）， thereby improving the efficiency of UAV path planing. UAV path planning simulation experiments showed that， when the obstacle ratio was 14.56% ， compared with the Genetic Algorithm （GA），Particle Swarm Optimization （PSO） algorithm，and JS algorithm， the IJS algorithm reduced the path planning time by 72.27% ， 66.12% ，and 70.87% ，respectively; shortened the path length by 2.67% 0 3.95% ，and 1.36% ， respectively; and reduced the number of turning points by 47.37% ， 50% ，and 28.57% ， respectively.When the obstacle ratio was 32.20% ， compared with GA and PSO， the IJS algorithm reduced the planning time by 62.50% and 55.61% ， shortened the path length by 4.03% and 4.03% ，and reduced the number of turning points by 15.38% and 18.52% ，respectively. Compared with the JS algorithm， although the path length increased by 3.89% ，the planning time was reduced by 57.32% ，and the number of turning points decreased by 8.33% .A post-disaster underground tunnel experimental platform was built to conduct UAV path planing experiments.The results showed that，compared with the GA，PSO，and JS algorithms，the IJS algorithm reduced the path planning time by 60.77% 58.70% and 51.52% ，respectively; shortened the path length by 9.62% 7.58% ， and 7.50% ， respectively; and reduced the number of turning points by 40% 30.77% ，and 25% ， respectively. These results verified that the IJS algorithm possesses better path optimization capability and computational efficiency than the compared algorithms in complex environments.

Key words： mine rescue; UAV path planning; Artificial Jelyfish Search algorithm; multi-strategy fusior optimization; dynamic obstacle avoidance

0引言

近年來(lái)，我國(guó)煤礦事故率和百萬(wàn)噸死亡率雖明顯下降，但安全事故仍難以避免[1-2]。礦井災(zāi)害發(fā)生后，井下巷道會(huì)因沖擊破壞而發(fā)生結(jié)構(gòu)形變或堵塞，搜尋被困人員生命信息難度大幅提升。救援設(shè)備能否快速精準(zhǔn)定位受災(zāi)人員，是礦并救援行動(dòng)科學(xué)決策與高效部署的前提和基礎(chǔ)[3]。微型無(wú)人機(jī)因其快速、安全的偵測(cè)能力，成為應(yīng)對(duì)復(fù)雜井下環(huán)境的理想工具。然而，礦井救援環(huán)境普遍具有路徑狹窄、結(jié)構(gòu)不規(guī)則、障礙密集、光照不足等典型特征，尤其在災(zāi)后環(huán)境中，還伴隨巷道變形、電磁干擾增強(qiáng)、通信中斷、動(dòng)態(tài)障礙頻發(fā)等問(wèn)題，對(duì)無(wú)人機(jī)路徑規(guī)劃的空間適應(yīng)性、實(shí)時(shí)感知能力和動(dòng)態(tài)避障能力提出更高的挑戰(zhàn)。為確保無(wú)人機(jī)在嚴(yán)苛環(huán)境下穩(wěn)定作業(yè)并有效發(fā)揮偵測(cè)功能，路徑規(guī)劃技術(shù)顯得至關(guān)重要。

目前，針對(duì)礦井救援環(huán)境下的無(wú)人機(jī)路徑規(guī)劃研究仍處于起步階段，相關(guān)成果較為有限，如：何怡靜等4融合視覺(jué)與激光信息，增強(qiáng)了災(zāi)后巷道中的定位與導(dǎo)航能力，但未涉及路徑規(guī)劃策略本身的優(yōu)化與動(dòng)態(tài)避障機(jī)制的構(gòu)建；A.Budiyanto等[5為每架無(wú)人機(jī)設(shè)置排斥力場(chǎng)，以實(shí)現(xiàn)動(dòng)態(tài)避障，但對(duì)突發(fā)障礙應(yīng)對(duì)能力有限。為提升無(wú)人機(jī)在復(fù)雜環(huán)境中的自主飛行水平并保障偵測(cè)任務(wù)高效完成，路徑規(guī)劃算法作為關(guān)鍵技術(shù)之一受到廣泛關(guān)注[6。主流方法包括圖搜索法[7]、人工勢(shì)場(chǎng)法[8]、快速隨機(jī)樹(shù)算法[9]蟻群算法[10]、動(dòng)態(tài)窗口法[1]等。祁云等[12]將冠豪豬算法與動(dòng)態(tài)窗口算法融合并用于礦井應(yīng)急路徑規(guī)劃，提升了路徑平滑性與避障能力，但在處理動(dòng)態(tài)障礙物與礦井復(fù)雜環(huán)境適應(yīng)性方面仍存在不足。王中玉等[13改進(jìn)A*算法代價(jià)函數(shù)權(quán)重并引入障礙物擴(kuò)展策略，提高了規(guī)劃路徑的平滑性，但增加了路徑長(zhǎng)度和復(fù)雜度。熊超等[14]提出了結(jié)合碰撞錐的改進(jìn)人工勢(shì)場(chǎng)算法，防止無(wú)人機(jī)陷入局部最優(yōu)，但在不確定環(huán)境中可能對(duì)無(wú)人機(jī)運(yùn)動(dòng)產(chǎn)生負(fù)面影響。整體上，現(xiàn)有路徑規(guī)劃方法在常規(guī)場(chǎng)景中具備一定實(shí)用性，但在動(dòng)態(tài)障礙規(guī)避、環(huán)境適應(yīng)性及實(shí)時(shí)決策能力方面仍存在不足，難以滿足礦井救援任務(wù)對(duì)穩(wěn)定性與響應(yīng)速度的雙重需求。

人工水母搜索（ArtificialJellyfishSearch，JS）算法[15因其結(jié)構(gòu)簡(jiǎn)潔、參數(shù)量少、收斂速度快，兼具全局探索與局部開(kāi)發(fā)能力，在優(yōu)化復(fù)雜問(wèn)題中展現(xiàn)出良好性能。尤其在不規(guī)則空間中，JS算法能夠?qū)崿F(xiàn)搜索行為的自適應(yīng)切換，具備較強(qiáng)的路徑調(diào)整靈活性與搜索效率，使其在礦井救援場(chǎng)景下具有較高的適配潛力，為無(wú)人機(jī)路徑規(guī)劃提供了良好的理論基礎(chǔ)與算法框架。但JS算法用于礦井救援無(wú)人機(jī)路徑規(guī)劃等復(fù)雜問(wèn)題時(shí)易出現(xiàn)早熟收斂、種群多樣性不足、局部搜索精度不高等問(wèn)題[16]，穩(wěn)定性與實(shí)用性仍有待提升。對(duì)此，本文在JS算法中引人Logistic混沌映射、高斯變異、Levy飛行擾動(dòng)，構(gòu)建多策略融合的改進(jìn)型JS 算法—IJS（ImprovedJS），通過(guò)仿真和模擬實(shí)驗(yàn)，驗(yàn)證該算法在路徑規(guī)劃時(shí)間、路徑長(zhǎng)度和拐點(diǎn)控制方面的性能，以及復(fù)雜場(chǎng)景下的魯棒性與計(jì)算效率，為礦井救援無(wú)人機(jī)路徑規(guī)劃提供理論基礎(chǔ)。

1JS算法及其改進(jìn)

1.1 JS算法

JS算法模擬水母在海洋中的2種行為模式：隨洋流漂移（全局搜索）和追蹤食物源（局部搜索）[17]。算法通過(guò)時(shí)間控制機(jī)制，在隨洋流漂移與追蹤食物源2種模式之間動(dòng)態(tài)切換，實(shí)現(xiàn)全局與局部搜索的協(xié)調(diào)。其中，隨洋流漂移模式根據(jù)水母間的相對(duì)位置向最優(yōu)個(gè)體靠近，提升全局搜索能力；追蹤食物源模式包含主動(dòng)遷移與被動(dòng)擾動(dòng)，用于增強(qiáng)局部探索效率。JS算法流程如圖1所示。

1.2 IJS算法

從算法初始化、位置更新及搜索策略3個(gè)層面對(duì)JS算法進(jìn)行改進(jìn)，構(gòu)建融合Logistic混沌映射、高斯變異與Levy飛行擾動(dòng)等多策略的IJS算法，以提升其在礦井復(fù)雜環(huán)境下的全局探索能力、局部開(kāi)發(fā)能力和路徑規(guī)劃效率。

1.2.1Logistic 混沌映射

將傳統(tǒng)JS算法與Logistic混沌算子進(jìn)行信息素更新，利用混沌序列的全空間遍歷和變異特性來(lái)增加算法的種群多樣性，有效避免算法在信息素更新時(shí)陷入局部最優(yōu)。

為驗(yàn)證Logistic混沌初始化效果，將其與傳統(tǒng)JS算法采用的隨機(jī)初始化進(jìn)行對(duì)比。在Matlab環(huán)境下進(jìn)行5000次迭代實(shí)驗(yàn)，設(shè)置初始種群規(guī)模為50，變量取值范圍為[0，100]，對(duì)比結(jié)果如圖2所示。可看出Logistic混沌初始化的分布離散化效果更好，比隨機(jī)初始化更加均勻。

引人混沌序列動(dòng)態(tài)調(diào)整隨機(jī)數(shù)序列，確保特定參數(shù)條件下輸出呈現(xiàn)完全無(wú)序特征?；谙x(chóng)口模型的Logistic混沌序列在臨界參數(shù)為控制因子 μ=4 、擾動(dòng)強(qiáng)度參數(shù) τ=0.3 時(shí)，進(jìn)入完全混沌態(tài)，此時(shí)隨機(jī)時(shí)序和鄰域解分布如圖3所示。

當(dāng)首個(gè)水母探測(cè)到營(yíng)養(yǎng)富集區(qū)時(shí)，會(huì)構(gòu)造一個(gè)D 維非臨界隨機(jī)向量作為初始條件，通過(guò)Logistic混沌映射生成營(yíng)養(yǎng)源鄰域解集，從而得到經(jīng)混沌操作后的新蜜源：

式中： 為水母提供的營(yíng)養(yǎng)源中心; x_ij 為第 i 個(gè)水母?jìng)€(gè)體在第 j 維的位置； R_ij 為擾動(dòng)半徑，用于控制擾動(dòng)幅度; η_ij 為L(zhǎng)ogistics混沌序列生成的擾動(dòng)因子，取值范圍為（0，1）。

上述方法是將優(yōu)化變量 限定在以水母當(dāng)前營(yíng)養(yǎng)源為幾何中心、 R_ij 為半徑的鄰域范圍內(nèi)進(jìn)行映射操作。

1.2.2 高斯變異

在JS算法中，種群內(nèi)的劣質(zhì)個(gè)體可能影響尋優(yōu)結(jié)果。為減少其數(shù)量并增強(qiáng)局部最優(yōu)逃逸能力，引入高斯變異操作[18-19]。高斯函數(shù)為

式中： α 為控制擾動(dòng)幅度，取 0～1 的隨機(jī)數(shù)； G（α） 為α 處的高斯函數(shù)值，用于變異尺度; σ 為高斯函數(shù)標(biāo)準(zhǔn)差，取值為1。

對(duì)個(gè)體進(jìn)行高斯變異操作可增強(qiáng)算法全局搜索能力和逃逸局部最優(yōu)能力，對(duì)Logistic混沌映射的個(gè)體進(jìn)行高斯變異，可得

式中： 為高斯變異后個(gè)體的位置； X_i 為第 i 個(gè)水母?jìng)€(gè)體當(dāng)前位置（原始解）。

個(gè)體高斯變異相當(dāng)于在其周圍進(jìn)行局部搜索。若新個(gè)體適應(yīng)度值優(yōu)于原個(gè)體則替換原個(gè)體，否則保留原個(gè)體。高斯變異中，種群優(yōu)勢(shì)個(gè)體可能更新，幫助算法跳出局部最優(yōu)?？商剿鱾€(gè)體附近更優(yōu)解并淘汰劣質(zhì)解，增加發(fā)現(xiàn)最優(yōu)個(gè)體的可能性。

1.2.3 飛行擾動(dòng)

Levy飛行是一種隨機(jī)行走策略，其步長(zhǎng) s 滿足穩(wěn)定分布[20]，同時(shí)Lévy飛行具有高頻小步長(zhǎng)跳躍和低頻長(zhǎng)距離移動(dòng)的特點(diǎn)，能夠在最優(yōu)值附近進(jìn)行局部范圍精細(xì)搜索，可在一定程度上緩解種群陷入局部最優(yōu)解問(wèn)題[21]

海洋中不同位置的食物量分布不同，因此水母的運(yùn)動(dòng)距離會(huì)因食物分布變化而隨機(jī)調(diào)整，容易陷入局部食物富集區(qū)，從而難以發(fā)現(xiàn)更優(yōu)的生存區(qū)域。針對(duì)上述問(wèn)題，引人Levy飛行擾動(dòng)策略，對(duì)洋流運(yùn)動(dòng)與水母群體遷徙路徑進(jìn)行優(yōu)化。選用Mantegnas算法提供的穩(wěn)定且對(duì)稱的Levy分布，其步長(zhǎng)為

s=u/∣ν∣^1/β

式中： u，ν 為服從正態(tài)分布的隨機(jī)變量； β 為L(zhǎng)evy分布控制參數(shù)，決定分布形態(tài)， 0lt;βlt;2 ，通常取1.5。

水母通過(guò)Levy分布搜索的位置更新公式為

X_i（t+1）=X_i（t）+θs

式中： X_i（t） 為第 i 個(gè)水母?jìng)€(gè)體在第t代的位置； θ 為補(bǔ)償縮放因子，通常取1。

1.2.4IJS算法流程

IJS算法流程如圖4所示。

1）初始化水母種群，包括設(shè)定種群規(guī)模、最大迭代次數(shù)等參數(shù)，并通過(guò)Logistic混沌映射生成初始解以增強(qiáng)種群多樣性，同時(shí)計(jì)算個(gè)體的適應(yīng)度值。

2）確定當(dāng)前種群的最優(yōu)個(gè)體，并設(shè)置初始迭代變量。在每一次迭代中先更新時(shí)間控制參數(shù)以調(diào)節(jié)搜索策略，再根據(jù)洋流模型更新個(gè)體位置，同時(shí)根據(jù)運(yùn)動(dòng)機(jī)制分別對(duì)主動(dòng)遷移與被動(dòng)擾動(dòng)水母執(zhí)行位置更新操作。

3）重新評(píng)估種群適應(yīng)度并更新個(gè)體最優(yōu)與全局最優(yōu)解。若當(dāng)前最優(yōu)解已滿足目標(biāo)位置要求或達(dá)到最大迭代次數(shù)，則輸出全局最優(yōu)路徑結(jié)果，否則通過(guò)洋流運(yùn)動(dòng)返回確定時(shí)間控制參數(shù)階段繼續(xù)迭代，直至滿足終止條件。

2無(wú)人機(jī)路徑規(guī)劃模擬實(shí)驗(yàn)

2.1實(shí)驗(yàn)條件及設(shè)置

為驗(yàn)證IJS算法在礦井復(fù)雜環(huán)境下的路徑規(guī)劃性能，采用柵格地圖作為模擬實(shí)驗(yàn)平臺(tái)。柵格地圖構(gòu)建簡(jiǎn)便、位置表達(dá)精確，廣泛應(yīng)用于路徑規(guī)劃算法的驗(yàn)證與對(duì)比研究中[22]，特別適用于結(jié)構(gòu)受限、路徑離散的井下環(huán)境建模。

實(shí)驗(yàn)采用尺寸為 30m×30m 的柵格地圖，起點(diǎn)設(shè)為 （1，30）m ，終點(diǎn)設(shè)為 （30，1）m 。分別構(gòu)建障礙物占比為 14.56%（129 個(gè)障礙單元）與 32.20%（292 個(gè)障礙單元）的2種柵格地圖，如圖5所示。其中白色柵格表示可通行區(qū)域，黑色柵格表示障礙物區(qū)域。整體地圖結(jié)構(gòu)呈現(xiàn)出通道狹窄、拐角密集、障礙物分布復(fù)雜等特征，能夠較真實(shí)地模擬礦井巷道中的通行限制與避障挑戰(zhàn)。

建立柵格地圖平面矩陣模型，如圖6所示。數(shù)字2標(biāo)記起點(diǎn)，數(shù)字3標(biāo)記終點(diǎn)，數(shù)字0代表可通行的白色空格，數(shù)字1代表障礙單元。障礙物位置通過(guò)隨機(jī)數(shù)生成并結(jié)合地圖結(jié)構(gòu)特征進(jìn)行人工調(diào)整，確保地圖具備通道狹窄、拐角密集、路徑受限等復(fù)雜性特征。

所有模擬實(shí)驗(yàn)均在Matlab2021a平臺(tái)下運(yùn)行，通過(guò)判定矩陣中0與1建立地圖環(huán)境，并基于相同初始條件對(duì)比驗(yàn)證IJS算法在不同障礙物占比下的路徑規(guī)劃性能。為確保實(shí)驗(yàn)數(shù)據(jù)的穩(wěn)定性與可靠性，每組實(shí)驗(yàn)均獨(dú)立運(yùn)行30次，結(jié)果取平均值。所有模擬實(shí)驗(yàn)均運(yùn)行于配備AMDRyzen75800HwithRadeonGraphics 3.2GHz 的計(jì)算平臺(tái)上，確保實(shí)驗(yàn)結(jié)果具備可重復(fù)性與穩(wěn)定性。設(shè)置IJS算法初始種群規(guī)模為50，最大迭代次數(shù)為500；Logistic混沌初始化控制因子 μ=4 ，擾動(dòng)強(qiáng)度參數(shù) τ=0.3 ；高斯函數(shù)標(biāo)準(zhǔn)差 σ=1 Levy飛行擾動(dòng)采用Mantegna算法，步長(zhǎng)控制參數(shù)β=1.5 。適應(yīng)度函數(shù)綜合路徑長(zhǎng)度、規(guī)劃時(shí)間與拐點(diǎn)數(shù)量等因素，用于多目標(biāo)性能評(píng)估，從而提升路徑質(zhì)量與規(guī)劃效率的整體表現(xiàn)。

2.2障礙物占比 14.56% 的模擬實(shí)驗(yàn)

選取障礙物占比 14.56% 的 30m×30m 柵格地圖進(jìn)行模擬實(shí)驗(yàn)。遺傳算法（GeneticAlgorithm，GA）、粒子群優(yōu)化（Particle SwarmOptimization，PSO）算法、JS算法、IJS算法在柵格地圖中的模擬規(guī)劃路徑如圖7所示，路徑規(guī)劃時(shí)間、路徑長(zhǎng)度與拐點(diǎn)數(shù)量見(jiàn)表1。相較于GA，IJS算法的路徑規(guī)劃時(shí)間減少了72.27% ，路徑長(zhǎng)度縮短了 2.67% ，路徑中拐點(diǎn)數(shù)量減少了 47.37% 。相較于PSO算法，IJS算法的路徑規(guī)劃時(shí)間減少了 66.12% ，路徑長(zhǎng)度縮短了 3.95% ，路徑中拐點(diǎn)數(shù)量減少了 50% 。相較于JS算法，IJS算法的路徑規(guī)劃時(shí)間減少了 70.87% ，路徑長(zhǎng)度縮短了1.36% ，路徑中拐點(diǎn)數(shù)量減少了 28.57% 。因此，IJS算法比其他3種算法規(guī)劃的路徑長(zhǎng)度更短、規(guī)劃路徑耗時(shí)更少、運(yùn)算效率更優(yōu)。

4種算法的目標(biāo)迭代收斂曲線如圖8所示?？煽闯鯥JS算法收斂曲線快速大幅降落，體現(xiàn)出良好的全局搜索能力和局部?jī)?yōu)化能力，收斂速度更快。

2.3障礙物占比 32.20% 的模擬實(shí)驗(yàn)

選取障礙物占比 32.20% 的 30m×30m 柵格地圖進(jìn)行模擬實(shí)驗(yàn)。GA，PSO，JS，IJS算法在柵格地圖中的模擬規(guī)劃路徑如圖9所示，路徑規(guī)劃時(shí)間、路徑長(zhǎng)度與拐點(diǎn)數(shù)量見(jiàn)表2。相較于GA，IJS算法的路徑規(guī)劃時(shí)間減少了 62.50% ，路徑長(zhǎng)度縮短了 4.03% ，拐點(diǎn)減少了 15.38% ；相較于PSO算法，IJS算法的路徑規(guī)劃時(shí)間減少了 55.61% ，路徑長(zhǎng)度縮短了 4.03% ，拐點(diǎn)數(shù)量減少了 18.52% ；與JS算法相比，IJS算法的路徑規(guī)劃時(shí)間減少了 57.32% ，路徑長(zhǎng)度增加了 3.89% ，拐點(diǎn)數(shù)量減少了 8.33% ?？梢?jiàn)，JS算法規(guī)劃的路徑最短，IJS算法在路徑規(guī)劃時(shí)間和拐點(diǎn)數(shù)量上更優(yōu)。

4種算法的目標(biāo)迭代收斂曲線如圖10所示?？煽闯鯥J算法和IJS算法的收斂曲線快速大幅降落，但JS算法的收斂曲線初期大幅下降，易陷入局部最優(yōu)解，而IJS算法的收斂曲線穩(wěn)步下降，體現(xiàn)了算法的平滑性和不易陷入局部最優(yōu)解的特點(diǎn)。

相比GA，PSO算法，IJS算法規(guī)劃的路徑長(zhǎng)度和計(jì)算時(shí)間均較短，且在障礙物較多時(shí)展現(xiàn)出更強(qiáng)的全局搜索能力。對(duì)比JS，IJS算法可知：JS算法規(guī)劃的路徑靠近障礙物密集區(qū)，而IJS算法選擇開(kāi)闊地帶進(jìn)行規(guī)劃；JS算法側(cè)重全局最優(yōu)解，IJS算法則在短時(shí)間內(nèi)找到較優(yōu)解，彌補(bǔ)了JS算法在局部規(guī)劃上的不足。考慮到無(wú)人機(jī)與障礙物的安全距離，IJS算法規(guī)劃的路徑更能保證航行安全。

3無(wú)人機(jī)路徑規(guī)劃實(shí)驗(yàn)

3.1實(shí)驗(yàn)開(kāi)發(fā)環(huán)境和軟硬件平臺(tái)

1）硬件環(huán)境：搭建無(wú)人機(jī)平臺(tái)，包括機(jī)身、電動(dòng)機(jī)、螺旋槳、飛行控制單元、電子調(diào)速器、遙控器、電池、接收機(jī)等，如圖11所示。采用DJI大疆妙算2機(jī)載Manifold2-C-G核心板作為無(wú)人機(jī)主控制單元，負(fù)責(zé)處理各種數(shù)據(jù)并執(zhí)行飛行控制算法。搭載IntelRealsenseD435i雙目深度相機(jī)和定位與地圖構(gòu)建模塊，用于掃描周圍環(huán)境并獲取深度信息。采用HolybroPixhawk6c作為飛行控制單元，負(fù)責(zé)執(zhí)行飛行動(dòng)作，如起飛、降落、轉(zhuǎn)向等。傳感器選用杰銳微通 60^° 有畸變星光級(jí)IMX291，其能夠提供極寬的視野角度，捕捉到更廣闊的實(shí)驗(yàn)區(qū)域，減少盲區(qū)，提高實(shí)驗(yàn)的覆蓋效率。

2）軟件環(huán)境：采用LinuxUbuntul8.04系統(tǒng)與ROSMelodic框架構(gòu)建開(kāi)發(fā)環(huán)境，其中ROS為機(jī)器人應(yīng)用提供模塊化開(kāi)發(fā)工具鏈。通過(guò)Rviz實(shí)現(xiàn)無(wú)人機(jī)位姿實(shí)時(shí)可視化監(jiān)控，結(jié)合上位機(jī)完成無(wú)人機(jī)運(yùn)動(dòng)控制與環(huán)境感知數(shù)據(jù)同步采集，支撐動(dòng)態(tài)地圖構(gòu)建任務(wù)。

3.2實(shí)驗(yàn)場(chǎng)景設(shè)置

為驗(yàn)證IJS算法在復(fù)雜環(huán)境下的路徑規(guī)劃能力，在結(jié)構(gòu)緊湊、布障可控的教室內(nèi)構(gòu)建模擬實(shí)驗(yàn)場(chǎng)景，如圖12所示。布設(shè)過(guò)程中充分借鑒礦井巷道典型特征，主要包括通道狹窄、通行路徑不規(guī)則、視野遮擋嚴(yán)重、障礙物密集分布，以及信號(hào)干擾與噪聲干擾顯著、光照不足等。其中，實(shí)驗(yàn)環(huán)境中存在多個(gè)高頻電子設(shè)備與金屬遮擋物，形成一定程度的電磁干擾效應(yīng)，模擬礦井中常見(jiàn)的信號(hào)衰減、圖傳不穩(wěn)定、感知延遲等問(wèn)題；實(shí)驗(yàn)場(chǎng)地內(nèi)障礙物密集分布，窗戶緊閉，光線被大量遮擋，模擬井下昏暗環(huán)境；通過(guò)多媒體設(shè)備持續(xù)播放背景噪聲，增強(qiáng)飛行過(guò)程中的聲學(xué)干擾強(qiáng)度，進(jìn)一步考驗(yàn)無(wú)人機(jī)在聽(tīng)覺(jué)環(huán)境嘈雜下的感知與控制魯棒性。

實(shí)驗(yàn)區(qū)域設(shè)置起止點(diǎn)A及多處?kù)o態(tài)障礙物，進(jìn)一步限制可通行區(qū)域，構(gòu)造出路徑選擇空間受限、局部決策困難的典型應(yīng)用場(chǎng)景。通過(guò)在類似井下巷道環(huán)境中開(kāi)展路徑規(guī)劃實(shí)驗(yàn)，可有效評(píng)估IJS算法在空間狹小、障礙干擾、電磁干擾與聲學(xué)干擾條件下的穩(wěn)定性與實(shí)用性，為其在礦并救援中的推廣應(yīng)用提供基礎(chǔ)驗(yàn)證支持。

3.3路徑導(dǎo)航實(shí)驗(yàn)

實(shí)驗(yàn)準(zhǔn)備階段，通過(guò)ROS設(shè)定起止點(diǎn)及多個(gè)路徑引導(dǎo)點(diǎn)，并將整體環(huán)境信息同步至上位機(jī)，用于路徑生成與飛行控制指令下發(fā)。初始化階段設(shè)定情況如圖13（a）所示，其中左側(cè)為路徑規(guī)劃界面，標(biāo)注起止點(diǎn)位置，右側(cè)為雙目相機(jī)采集的實(shí)時(shí)環(huán)境圖像，紅框標(biāo)明飛行起始方向。實(shí)驗(yàn)開(kāi)始后，無(wú)人機(jī)自主起飛并實(shí)時(shí)感知周圍環(huán)境。當(dāng)飛行器接近障礙區(qū)域時(shí)，飛行軌跡連續(xù)平滑，順利避開(kāi)障礙物，如圖13（b）所示。隨后進(jìn)人中段飛行階段，飛行器依照引導(dǎo)點(diǎn)執(zhí)行多次航向調(diào)整，如圖13（c）所示。最終，無(wú)人機(jī)精準(zhǔn)到達(dá)目標(biāo)點(diǎn)，完成整個(gè)路徑導(dǎo)航任務(wù)，降落前的終點(diǎn)狀態(tài)如圖13（d）所示。實(shí)驗(yàn)過(guò)程中，無(wú)人機(jī)搭載雙目相機(jī)和定位與地圖構(gòu)建模塊進(jìn)行實(shí)時(shí)建圖與定位并獲得深度信息，飛行控制單元通過(guò)無(wú)線通信與上位機(jī)完成數(shù)據(jù)交互，實(shí)現(xiàn)路徑規(guī)劃、環(huán)境感知與動(dòng)作執(zhí)行的閉環(huán)協(xié)同。

4種算法的路徑規(guī)劃時(shí)間、路徑長(zhǎng)度與拐點(diǎn)數(shù)量對(duì)比分析結(jié)果見(jiàn)表3。相較于GA，IJS算法的路徑規(guī)劃時(shí)間減少了 60.77% ，路徑長(zhǎng)度縮短了 9.62% ，路徑中拐點(diǎn)數(shù)量減少了 40% 。相較于PSO 算法，IJS算法的路徑規(guī)劃時(shí)間減少了 58.70% ，路徑長(zhǎng)度縮短了7.58% ，路徑中拐點(diǎn)數(shù)量減少了 30.77% 。相較于JS算法，IJS算法的路徑規(guī)劃時(shí)間減少了 51.52% ，路徑長(zhǎng)度縮短了 7.50% ，路徑中拐點(diǎn)數(shù)量減少了 25% 。可見(jiàn)，IJS算法在規(guī)劃時(shí)間、路徑長(zhǎng)度及拐點(diǎn)數(shù)量方面均優(yōu)于其他3種算法，能以更短時(shí)間完成路徑規(guī)劃，緊湊高效，降低了路徑復(fù)雜度，在室內(nèi)的整體效果更出色，更適用于復(fù)雜場(chǎng)景下的路徑規(guī)劃。

4結(jié)論

1）為提高礦井救援復(fù)雜環(huán)境下無(wú)人機(jī)路徑規(guī)劃的搜索效率和路徑優(yōu)化程度，提出了基于IJS算法的礦井救援無(wú)人機(jī)路徑規(guī)劃方法，主要改進(jìn)體現(xiàn)為將JS算法與Logistic混沌映射、高斯變異、飛行擾動(dòng)技術(shù)相融合。

2）通過(guò)Matlab2021a模擬無(wú)人機(jī)路徑規(guī)劃實(shí)驗(yàn)，在障礙物占比 14.56% 實(shí)驗(yàn)中，IJS算法相較于GA，PSO，JS算法，規(guī)劃的路徑長(zhǎng)度分別縮短了2.67% 一 3.95% ， 1.36% ，路徑規(guī)劃時(shí)間分別減少了72.27% 66.12% ， 70.87% ，路徑中拐點(diǎn)數(shù)量分別減少了 47.37% 50% 28.57% ；在障礙物占比 32.20% 實(shí)驗(yàn)中，IJS算法相比GA，PSO算法，規(guī)劃的路徑長(zhǎng)度均縮短了 4.03% ，路徑規(guī)劃時(shí)間分別減少了 62.50% 55.61% ，路徑中拐點(diǎn)數(shù)量分別減少了 15.38% 18.52% 相比JS算法，規(guī)劃的路徑長(zhǎng)度增加了 3.89% ，但規(guī)劃時(shí)間減少了 57.32% ，路徑中拐點(diǎn)數(shù)量減少了 8.33% 。

3）搭建無(wú)人機(jī)平臺(tái)，搭載杰銳微通 60^° 有畸變星光級(jí)IMX291作為傳感器，以室內(nèi)場(chǎng)景作為實(shí)驗(yàn)場(chǎng)地，設(shè)置起點(diǎn)和終點(diǎn)，在飛行過(guò)程中設(shè)置路徑點(diǎn)引導(dǎo)無(wú)人機(jī)前往終點(diǎn)。實(shí)驗(yàn)結(jié)果表明，相較于GA，PSO，JS算法，IJS算法規(guī)劃的路徑長(zhǎng)度分別縮短了 9.62% 7.58%，7.50% ，路徑規(guī)劃時(shí)間分別減少了 60.77%，58.70% 51.52% ，路徑中拐點(diǎn)數(shù)量分別減少了 40% ， 30.77% 25% 。IJS算法在規(guī)劃效率、路徑優(yōu)化及復(fù)雜度控制方面展現(xiàn)出顯著優(yōu)勢(shì)。

參考文獻(xiàn)（References）：

[1]王海軍，齊慶杰，梁運(yùn)濤，等.我國(guó)煤礦重特大事故統(tǒng) 計(jì)分析及對(duì)策建議[J].中國(guó)安全科學(xué)學(xué)報(bào)，2024， 34（9）：9-18. WANG Haijun，QI Qingjie，LIANG Yuntao，et al. Statistical analysis and countermeasuresof major accidents in coal mines in China[J].China Safety Science Journal， 2024，34（9）：9-18.

[2]鄭學(xué)召，丁文，黃淵，等.不同場(chǎng)景下UWB雷達(dá)探測(cè)呼 吸心跳信號(hào)研究現(xiàn)狀[J/OL].雷達(dá)學(xué)報(bào)：1-25[2025-01- 20].http：//kns.cnki.net/kcms/detail/10.1030.TN.20240923. 1546.004.html. ZHENG Xuezhao，DING Wen， HUANG Yuan， et al. The current research status of UWB radar detection of respirationand heartbeatsignalsindifferent scenarios[J/OL]. Journal of Radars： 1-25[2025-01-20]. http：//kns.cnki.net/kcms/detail/10.1030.TN.20240923. 1546.004.html.

[3]王國(guó)法，任懷偉，富佳興.煤礦智能化建設(shè)高質(zhì)量發(fā)展 難題與路徑[J].煤炭科學(xué)技術(shù)，2025，53（1）：1-18. WANG Guofa，REN Huaiwei， FU Jiaxing. Challenge and path of high-quality development of coal mine intelligentconstruction[J].CoalScienceand Technology，2025，53（1）：1-18.

[4]何怡靜，楊維.基于視覺(jué)與激光融合的井下災(zāi)后救援 無(wú)人機(jī)自主位姿估計(jì)[J].工礦自動(dòng)化，2024，50（4）： 94-102. HE Yijing， YANG Wei. Autonomous pose estimation of underground disaster rescue drones based on visual and laser fusion[J]. Journal of Mine Automation，2024， 50（4）：94-102.

[5]BUDIYANTO A， CAHYADI A， ADJI T B， et al. UAV obstacle avoidance using potential field under dynamic environment[C]. International Conference on Control， Electronics， Renewable Energy and Communications， Bandung， 2015： 187-192.

[6]XIE ZongWu， ZHANG Qi， JIANG Zainan， et al. Robot learning from demonstration for path planning：a review[J]．Science China Technological Sciences， 2020，63（8）：1325-1334.

[7］ZHONG Qiubo，F(xiàn)ANG Xiaoyi. A BigBiGAN-based loop closure detection algorithm for indoor visual SLAM[J]. Journal ofElectricaland Computer Engineering，2021，2021. DOI： 10.1155/2021/9978022.

[8]DA SILVA COSTA L， TONIDANDEL F. DVG+A^? and RRT path-planners：a comparison in a highly dynamic environment[J]． Journal ofIntelligent amp; Robotic Systems，2021，101（3）.DOI： 10.1007/S10846-021- 01326-0.

[9]朱子祺，李創(chuàng)業(yè)，代偉.基于G-RRT*算法的煤矸石分揀 機(jī)器人路徑規(guī)劃[J].工礦自動(dòng)化，2022，48（3）：55-62. ZHU Ziqi， LI Chuangye，DAI Wei. Path planning of coalganguesortingrobotbasedonG-RRT* algorithm[J]. Industry and Mine Automation，2022， 48（3）： 55-62.

[10]江南，徐海芹，邢浩翔.基于TSACO及動(dòng)態(tài)避障策略 的無(wú)人機(jī)路徑規(guī)劃[J].計(jì)算機(jī)應(yīng)用研究，2024， 41（10）：3015-3020. JIANG Nan，XU Haiqin，XING Haoxiang.UAV path planning based on TSACO and dynamic obstacle avoidancestrategy[J]. ApplicationResearchof Computers，2024， 41（10）： 3015-3020.

[11]王利民，孫瑞峰，翟國(guó)棟，等.融合改進(jìn)A*算法與動(dòng)態(tài) 窗口法的煤礦足式機(jī)器人路徑規(guī)劃[J].工礦自動(dòng)化， 2024，50（6）： 112-119. WANG Limin， SUN Ruifeng， ZHAI Guodong，et al. Path planning of coal mine foot robot by integrating improved A^* algorithm anddynamicwindow approach[J]． Journal of Mine Automation， 2024， 50（6）： 112-119.

[12]祁云，于開(kāi)旺，李緒萍，等.融合CPO-DWA的礦井應(yīng) 急無(wú)人機(jī)路徑規(guī)劃[J/OL].安全與環(huán)境學(xué)報(bào)：1-12 [2025-01-26].htps：//oiorg/10.13637/j.issn.1009-6094. 2024.2198. QI Yun， YU Kaiwang， LI Xuping， et al. Path planning for mine emergency UAVs using CPO-DWA[J/OL]. Journal of Safety and Environment： 1-12[2025-01-26]. https：//doi.org/10.13637/j.issn.1009-6094.2024.2198.

[13]王中玉，曾國(guó)輝，黃勃，等.改進(jìn)A*算法的機(jī)器人全 局最優(yōu)路徑規(guī)劃[J].計(jì)算機(jī)應(yīng)用，2019，39（9）： 2517-2522. WANG Zhongyu， ZENG Guohui， HUANG Bo， et al. Global optimal path planning for robots with improved A^* algorithm[J]. Journal of Computer Applications， 2019，39（9）：2517-2522.

[14]熊超，解武杰，董文瀚.基于碰撞錐改進(jìn)人工勢(shì)場(chǎng)的 無(wú)人機(jī)避障路徑規(guī)劃[J].計(jì)算機(jī)工程，2018，44（9）： 314-320. XIONG Chao，XIE Wujie，DONG Wenhan. Obstacle avoidance path planning for UAV based on artificial potential field improved by collision cone[J]. Computer Engineering，2018，44（9）：314-320.

[15]EZZELDIN R，EL-GHANDOUR H，EL-AABD S. Optimal management of coastal aquifers using artificial jellyfish searchalgorithm[J].Jourmal of Hydrology： Regional Studies，2022，41. DOI： 10.1016/J.EJRH. 2022.101058.

[16]孔德祥，師黎靜，鄭甘霖.基于多策略融合的人工水母 算法的瑞雷面波反演研究[J].工程地球物理學(xué)報(bào)， 2024，21（3）：494-505. KONG Dexiang， SHI Lijing， ZHENG Ganlin. Rayleigh surface wave inversion based on multi-strategy fusion of artificial jellyfish algorithm[J]. Chinese Journal of Engineering Geophysics，2024， 21（3）： 494-505.

[17]陶鑫杰，莫愿斌.融合多策略人工水母算法及工程應(yīng) 用研究[J].現(xiàn)代電子技術(shù)，2023，46（7）：85-90. TAO Xinjie，MO Yuanbin. Research on artificial jellyfishsearchintegratingmulti-strategyandits engineeringapplication[J].Modern Electronics Technique，2023，46（7）：85-90.

[18]閆曉斌，方洋旺，彭維仕.基于自適應(yīng)高斯變異的多目 標(biāo)哈里斯鷹優(yōu)化算法[J].北京航空航天大學(xué)學(xué)報(bào)， 2024，50（8）：2636-2645. YAN Xiaobin， FANG Yangwang， PENG Weishi. Multiobjective Harris Hawk optimization algorithm based on adaptive Gaussan mutation[J]. Journal ofBeijing University of Aeronautics and Astronautics，2024， 50（8）：2636-2645.

[19]邵長(zhǎng)春，胡國(guó)明，李水明.焊接機(jī)器人路徑規(guī)劃的高斯 變異蝗蟲(chóng)優(yōu)化算法[J].機(jī)械設(shè)計(jì)與制造，2023（4）： 276-280. SHAO Changchun， HU Guoming，LI Shuiming. Gauss mutation grasshopper optimization algorithm for path planning of welding robot[J]. Machinery Design amp; Manufacture， 2023（4）： 276-280.

[20]馬衛(wèi)，朱嫻.基于萊維飛行擾動(dòng)策略的麻雀搜索算法 [J].應(yīng)用科學(xué)學(xué)報(bào)，2022，40（1）：116-130. MA Wei， ZHU Xian. Sparrow search algorithm based on Levy flight disturbance strategy[J]. Journal of Applied Sciences，2022，40（1）：116-130.

[21]夏超，歐陽(yáng)平，李明，等.基于混沌精英和Levy飛行策 略的鯨魚(yú)優(yōu)化算法[J].計(jì)算機(jī)技術(shù)與發(fā)展，2024， 34（4）： 180-186. XIA Chao，OUYANG Ping，LI Ming，et al. Whale optimization algorithm based on chaotic elite and Levy flightstrategy[J].ComputerTechnologyand Development， 2024，34（4）：180-186.

[22]池志猛，李智剛，趙洋，等.針對(duì)深海采礦車的遍歷路 徑規(guī)劃方法研究[J].礦業(yè)研究與開(kāi)發(fā)，2022，42（7）： 160-166. CHI Zhimeng， LI Zhigang， ZHAO Yang， et al. Research on traversal path planning method for deep-sea mining vehicle[J]. Mining Research and Development， 2022， 42（7）：160-166.