摘要
随着科技浪潮的推进，无人机技术逐渐进入公众视野，在多个领域中发挥着越来越重要的作用。然而，随着无人机应用领域的不断拓展，对飞行路径规划的需求也日益增长。特别是在复杂的飞行环境中，无人机需要自主规划导航路线，有效规避航线上的障碍物。但截至目前，无人机避障路径规划仍面临挑战。为此，本文基于改进蚁群算法和深度强化学习提出两种无人机三维避障路径规划方案，并进行系统实现。本文的主要工作如下： (1)针对多山体地形障碍物场景，提出了一种基于改进蚁群算法的无人机避障路径规划方案。该方案通过两个阶段实现：在第一阶段，采纳了粒子群优化算法的优点，为每个粒子求得次优解。这些结果随后被用于蚁群算法的初始信息素分布；第二阶段，基于粒子群算法所得的信息素基础，运用改进后的蚁群算法进行后续的迭代工作，直至找到最优解以及确定最佳的飞行路径。实验结果表明改进蚁群算法解决了传统蚁群算法的问题，在多山体环境下能快速收敛得到较优的避障路径。 (2)针对城市内低空建筑障碍物场景，提出了一种基于深度强化学习的无人机避障路径规划方案。该方案首先描述了三维空间内的无人机避障规划网络系统和环境模型；然后，设计了避障算法、电量消耗算法、无人机动作合集等；最后，提出结合树采样的Dueling-DQN算法，算法使用二叉树结构存储优先级样本，结合奖励函数、贪婪策略等获得无人机的避障飞行路径。实验结果显示，方案在获得较优规划路径的同时，取得了最高的平均奖励值。在不同障碍物难度等级的条件下，与A*、RRT、蚁群算法相比，到达目标点所需的步数最少，且碰撞概率最低。 (3)基于以上两种无人机避障路径规划方案，设计并实现了一个完整的无人机自主避障路径规划系统。信息管理子系统主要负责无人机避障算法的录入、存储以及后期的维护修改工作，而避障路径规划子系统则根据用户选择的方案种类，生成相应的避障路径规划结果。 本文研究工作通过结合混合粒子群蚁群算法和深度强化学习技术，提出两种避障路径规划策略。这两种策略利用粒子群蚁群算法的全局搜索和局部优化能力，并通过深度强化学习技术使无人机在复杂环境中自我学习和适应，实现智能和高效的避障路径规划。
NETL