翼伞路径规划算法综述

1 引言

随着科技的快速发展，自主翼伞技术在减少人力投入、提高生产效率、节省时间等方面带来显著益处，导致翼伞在各种应用场景中发挥着越来越重要的作用。路径规划是翼伞实现自主运动的关键技术之一，能够帮助翼伞在复杂的环境中规划出最优或次优的路径，使翼伞从起点到达目标位置。翼伞基于对环境的认知和理解，通过路径规划算法和优化技术，实现从起点到目标位置的最优路径搜索和调整，以满足翼伞的飞行需求并适应环境变化。同时，翼伞进行路径规划时需要考虑翼伞的运动约束和环境障碍物，还要满足时间最短、路径最短等目标。

2 研究现状

2.1 经典路径搜索算法

迪杰斯特拉算法（Dijkstra 算法）是由 Dijkstra 于 1956 年首次提出，后于 1959 年正式发表。该算法通过维护“已确定最短路径的节点集”与“待扩展节点集”，并以贪心策略逐轮选取当前距离最小的节点向外扩展，从而保证每一步决策均为局部最优，显著降低了对全图边集的同步存储与计算需求。左松涛等 [1] 以综合性能指标取代单一最短距离，通过引入节点拥挤度因子，将传统最短路径求解转化为兼顾通行效率的最优路径决策，从而拓展了算法的适用场景。

A^* 算法由 Hart 等人于 1972 年提出，是一种经典的启发式图搜索算法，被广泛应用于移动机器人的路径规划。该算法以起始节点为根，通过启发函数引导，优先扩展当前总代价最小的节点，直至抵达目标；在保证完备性的同时显著压缩搜索空间。郑锴等 [2] 提出了一种面向动态战场环境的改进 A^* 协同优化框架，在任务分配与路径规划耦合模型中嵌入局部重规划机制，使无人机可在威胁突变场景下快速更新航迹。

D^* 算法由 A^* 算法发展而来，由 Stent 于 1994 年提出，是在 A^* 基础上衍生的增量式动态搜索算法，最早应用于火星探测器的实时避障任务。该算法通过反向搜索策略保存从目标点到各节点的最短路径信息，当环境发生未知或动态变化时，仅需局部重算受影响的节点即可快速更新路径，从而显著降低重复规划开销。然而，由于仍沿用A^* 的栅格离散方式，所生成航迹通常存在尖锐拐点和平滑度不足的缺陷；此外，复杂场景下节点数量激增，对实时性提出更高要求。

2.2 基于采样的算法

PRM 算法是由 Kavraki 等于 1996 年提出，是一种典型的基于采样的高维路径规划方法。其流程为：首先在构形空间中随机撒点，并通过碰撞检测剔除位于障碍区域或不可行的节点。在线查询时，只需把起点和终点分别挂接到该图并进行图搜索即可获得可行路径。

RRT 算法是 1998 年由美国爱荷华州立大学 Steven M. LaValle 教授提出，是一种面向高维、未知环境的采样型路径规划方法。算法以起始节点为根，通过在构形空间内随机采样并不断扩展树结构，直至叶节点落入目标邻域，从而快速获得一条可行路径。RRT 具有实现简单、概率完备、对障碍分布鲁棒等优势；然而，其随机采样机制易使路径冗余、转折频繁，且缺乏最优性保证。

2.3 智能仿生算法

GA 算法源自于遗传理论和进化理论，最早由美国的 John holland提出，并由 Goldberg 等完善为系统化的进化计算框架。算法将待优化问题的潜在解编码为“染色体”，通过选择、交叉、变异三大遗传算子迭代进化种群，逐步逼近全局最优解。王雷等 [3] 则进一步在种群初始化阶段引入基于终点距离的概率策略，结合非固定交叉点自由交叉算子与目标导向变异算子，显著改善了路径质量与算法收敛速度。

粒子群算法 (PSO) 是由 Kenned 和 Eberhart 提出的一种模拟鸟群觅食行为的群体智能优化方法。算法在解空间内初始化一组“粒子”，每个粒子对应问题的一个潜在解，并通过迭代更新其位置与速度实现信息共享与协同搜索。甯洋等 [4] 进一步融合压缩因子与变异机制，构建 CMPSO 算法，利用自适应压缩策略控制粒子速度，同时引入变异算子增强种群多样性，有效跳出局部极值。

ACO 算法是一种群智能算法，由意大利学 Dorigol 提出。其灵感来源于真实蚂蚁在觅食过程中通过信息素实现群体协作与最优路径选择的生物学现象。算法以信息素为核心媒介，蚂蚁在移动过程中释放信息素，信息素浓度与路径优劣呈正相关，后续蚂蚁倾向选择信息素浓度更高的路径，从而通过正反馈机制逐步逼近最短路径。黄新林等[5]则构建高斯概率矩阵并融合基因突变机制，显著加速算法收敛并降低寻优耗时，为家电回收路径优化提供了实用方案。

3 结语

目前与翼伞路径规划有关的算法有很多，但各类方法在实时性、鲁棒性或可扩展性等方面仍存固有短板，亟需持续改进与融合创新。针对路径规划算法的改进与研究还需要大量的工作，对算法本身可以进行一定的改进，也可以融合多种算法取长补短。与此同时，任务场景的复杂化对感知与协同提出了更高要求，多源传感器融合可提供高置信度的实时环境画像，而多翼伞协同规划则需在通信受限、资源竞争及动态障碍条件下实现分布式决策与一致性控制。简单环境下的高效路径规划仍是系统可靠运行的基石，但极端、拒止、强扰动等复杂场景下的算法鲁棒性与适应性将成为突破重点。

综上，路径规划算法还有很大的研究空间与发展潜力，其性能的每一次跃升，都将直接拓展翼伞在应急救援、精准投送、区域侦察等新兴领域的应用边界，会使翼伞的应用领域更加广阔。

参考文献:

[1] 左 松 涛 , 毛 占 利 , 范 传 刚 , 等 . 基 于 地 铁 站 场 景 的 改进 型 Dijkstra 算 法 疏 散 路 径 规 划 研 究 [J]. 铁 道 科 学 与 工 程 学报 ,2023,20(05):1624-1635.

[2] 郑锴 , 郑献民 , 殷少锋 , 等 . 基于改进 A^⋆ 算法的无人机任务分配和航迹规划优化方法[J]. 电光与控制, ,2022,29(10):7-11+101.

[3] 王雷 , 王艺璇 , 李东东 , 等 . 基于改进遗传算法的移动机器人路径规划研究 [J]. 华中科技大学学报（自然科学版）,2024,52(5):158-164.

[4] 甯洋 , 郑波 , 龙足腾 , 等 . 基于 CMPSO 算法的无人机复杂三维路径规划 [J]. 电光与控制 ,2024,31(04):35-42.

[5] 黄新林 , 张隆飛 , 唐小伟 . 基于改进遗传算法的家电回收车辆路径规划方法 [J]. 同济大学学报 ( 自然科学版 ),2024,52(01):27-34.

作者简介：姓名：孙士豪（2001—），男，河南商丘人，硕士研究生，主要从事路径规划的研究。