1. 项目背景与核心挑战在复杂三维山地环境中实现多无人机协同飞行一直是工业界和学术界的重点攻关方向。去年参与某山区电力巡检项目时我们团队就曾面临这样的困境5架无人机在海拔落差超过800米的山地执行协同巡检任务时频繁出现路径冲突和紧急避障的情况。传统人工遥控方式不仅效率低下还曾导致两架价值40多万的行业级无人机因避障不及时而撞山损毁。这个项目要解决的正是这类痛点问题——如何在复杂三维地形下让多架无人机自主规划出最优飞行路径同时实现动态避障。与常见的二维平面路径规划不同山地环境带来了三个特殊挑战地形复杂度高山体表面的不规则起伏会导致信号遮挡和GPS定位漂移实测数据显示某些峡谷区域的定位误差可达15米以上动态障碍物不可预测除了固定山体还需应对突然出现的飞鸟、其他无人机甚至气象变化如突发强风多机协同要求多架无人机需要共享空域资源既要避免相互碰撞又要确保整体任务效率最优2. 技术方案选型与原理剖析2.1 为什么选择蚁群算法(ACO)在对比了A*、RRT*、遗传算法等主流路径规划方法后我们最终选择蚁群优化算法(ACO)作为核心解决方案主要基于以下考量信息素机制天然适配动态环境蚂蚁在觅食过程中留下的信息素会随时间挥发这一特性正好对应无人机需要实时更新环境信息的需求。当某条路径上突然出现障碍物时该路径的信息素浓度会自然降低并行计算优势ACO的每只蚂蚁都是独立个体算法本身支持并行计算。实测数据显示在Intel i7-11800H处理器上ACO的并行版本比串行版本快3.8倍多目标优化能力通过设计复合代价函数可以同时优化路径长度、飞行时间和能耗等多个指标。我们的代价函数包含cost 0.6*path_length 0.2*flight_time 0.1*energy_consumption 0.1*collision_risk2.2 三维环境建模关键技术要实现精准的路径规划首先需要构建可靠的三维环境模型。我们采用分层建模方案基础地形层通过LiDAR扫描获取的高程数据精度0.5m使用Delaunay三角剖分构建地形表面障碍物层将静态障碍物如高压电塔建模为圆柱体动态障碍物如飞鸟用球体表示并设置5m的安全半径气象层集成气象站实时数据对强风区域进行标记风速10m/s的区域设为禁飞区% 地形数据加载示例 [terrain_data, R] readgeoraster(mountain_area.tif); [x,y] meshgrid(1:R.RasterSize(2), 1:R.RasterSize(1)); z double(terrain_data);3. 算法实现与核心代码解析3.1 信息素矩阵设计与更新在三维空间中我们将环境离散化为20m×20m×10m的立方体网格。信息素矩阵τ的大小为Nx×Ny×Nz其中Nx 地形长度/20mNy 地形宽度/20mNz 最大飞行高度/10m信息素更新遵循以下规则% 信息素更新核心代码 tau (1 - rho) * tau; % 挥发 for k 1:num_ants path ant_paths{k}; delta_tau Q / path_cost(k); for node 1:length(path)-1 [x,y,z] ind2sub(size(tau), path(node)); [x_next,y_next,z_next] ind2sub(size(tau), path(node1)); tau(x,y,z) tau(x,y,z) delta_tau; end end关键参数说明ρ0.1挥发系数控制历史信息的遗忘速度Q100信息素强度影响新路径的吸引力α1, β2启发式因子平衡信息素与启发信息的重要性3.2 动态避障实现机制当无人机通过机载传感器如毫米波雷达检测到新障碍物时会触发以下应急流程在全局信息素矩阵中标记障碍区域设置τ0重新计算当前点到目标点的局部路径通过无线自组网向其他无人机广播障碍物信息各无人机接收更新后在自身规划中避开该区域% 动态障碍处理代码示例 function update_obstacle(x,y,z) tau(x,y,z) 0; broadcast_msg struct(type,obstacle,pos,[x y z]); send_to_all_drones(broadcast_msg); end4. 多机协同优化策略4.1 冲突检测与解决我们采用时空立方体(space-time cube)方法检测路径冲突。将每架无人机的轨迹表示为三维空间时间维度的管状体当两个管状体相交时即判定为潜在冲突。冲突解决策略优先级高度调整改变飞行层速度调节让快速无人机先行路径重规划作为最后手段% 冲突检测代码片段 function [is_conflict, t] check_conflict(path1, t1, path2, t2) time_window max(t1(end), t2(end)); for t 1:time_window pos1 interpolate_path(path1, t1, t); pos2 interpolate_path(path2, t2, t); if norm(pos1 - pos2) safety_distance is_conflict true; return; end end is_conflict false; end4.2 任务分配优化对于多无人机任务分配我们改进了传统的拍卖算法(Auction Algorithm)引入能耗均衡因子将巡检区域划分为若干子区域计算各无人机到各子区域的综合代价距离剩余电量通过多轮竞价实现最优分配实测数据显示这种分配方式能使机群整体续航时间提升22%。5. 实际测试与性能分析5.1 仿真环境测试结果在模拟的5km×5km山地环境中含12个山峰和4个移动障碍物对算法进行测试无人机数量平均路径长度(km)最大冲突次数计算时间(s)38.204.757.826.387.559.1测试环境MATLAB R2021bIntel i7-11800H 2.3GHz32GB RAM5.2 实地飞行验证在某南方山区进行的实地# 1. 题目93. 复原 IP 地址难度中等857有效 IP 地址正好由四个整数每个整数位于0到255之间组成且不能含有前导0整数之间用.分隔。例如0.1.2.201和192.168.1.1是有效IP 地址但是0.011.255.245、192.168.1.312和192.1681.1是无效IP 地址。给定一个只包含数字的字符串s用以表示一个 IP 地址返回所有可能的有效 IP 地址这些地址可以通过在s中插入.来形成。你不能重新排序或删除s中的任何数字。你可以按任何顺序返回答案。示例 1输入s 25525511135 输出[255.255.11.135,255.255.111.35]示例 2输入s 0000 输出[0.0.0.0]示例 3输入s 101023 输出[1.0.10.23,1.0.102.3,10.1.0.23,10.10.2.3,101.0.2.3]提示1 s.length 20s仅由数字组成2. 题解3. codeclass Solution { public: vectorstring ans; bool isValid(const string s, int start, int end) { if (start end) { return false; } if (s[start] 0 start ! end) { return false; } int num 0; for (int i start; i end; i) { if (s[i] 9 || s[i] 0) { return false; } num num * 10 (s[i] - 0); if (num 255) { return false; } } return true; } void backtracking(string s, int startIdx, int pointNum) { if (pointNum 3) { if (isValid(s, startIdx, s.size() - 1)) { ans.push_back(s); } return; } for (int i startIdx; i s.size(); i) { if (isValid(s, startIdx, i)) { s.insert(s.begin() i 1, .); pointNum; backtracking(s, i 2, pointNum); pointNum--; s.erase(s.begin() i 1); } else { break; } } return; } vectorstring restoreIpAddresses(string s) { if (s.size() 4 || s.size() 12) return ans; backtracking(s, 0, 0); return ans; } };4. 心得回溯法注意终止条件以及判断是否有效。 
长河君 · 2026/9/17 6:05:39 · 阅读 1.2k 多无人机山地协同路径规划与蚁群算法实践
1. 项目背景与核心挑战在复杂三维山地环境中实现多无人机协同飞行一直是工业界和学术界的重点攻关方向。去年参与某山区电力巡检项目时我们团队就曾面临这样的困境5架无人机在海拔落差超过800米的山地执行协同巡检任务时频繁出现路径冲突和紧急避障的情况。传统人工遥控方式不仅效率低下还曾导致两架价值40多万的行业级无人机因避障不及时而撞山损毁。这个项目要解决的正是这类痛点问题——如何在复杂三维地形下让多架无人机自主规划出最优飞行路径同时实现动态避障。与常见的二维平面路径规划不同山地环境带来了三个特殊挑战地形复杂度高山体表面的不规则起伏会导致信号遮挡和GPS定位漂移实测数据显示某些峡谷区域的定位误差可达15米以上动态障碍物不可预测除了固定山体还需应对突然出现的飞鸟、其他无人机甚至气象变化如突发强风多机协同要求多架无人机需要共享空域资源既要避免相互碰撞又要确保整体任务效率最优2. 技术方案选型与原理剖析2.1 为什么选择蚁群算法(ACO)在对比了A*、RRT*、遗传算法等主流路径规划方法后我们最终选择蚁群优化算法(ACO)作为核心解决方案主要基于以下考量信息素机制天然适配动态环境蚂蚁在觅食过程中留下的信息素会随时间挥发这一特性正好对应无人机需要实时更新环境信息的需求。当某条路径上突然出现障碍物时该路径的信息素浓度会自然降低并行计算优势ACO的每只蚂蚁都是独立个体算法本身支持并行计算。实测数据显示在Intel i7-11800H处理器上ACO的并行版本比串行版本快3.8倍多目标优化能力通过设计复合代价函数可以同时优化路径长度、飞行时间和能耗等多个指标。我们的代价函数包含cost 0.6*path_length 0.2*flight_time 0.1*energy_consumption 0.1*collision_risk2.2 三维环境建模关键技术要实现精准的路径规划首先需要构建可靠的三维环境模型。我们采用分层建模方案基础地形层通过LiDAR扫描获取的高程数据精度0.5m使用Delaunay三角剖分构建地形表面障碍物层将静态障碍物如高压电塔建模为圆柱体动态障碍物如飞鸟用球体表示并设置5m的安全半径气象层集成气象站实时数据对强风区域进行标记风速10m/s的区域设为禁飞区% 地形数据加载示例 [terrain_data, R] readgeoraster(mountain_area.tif); [x,y] meshgrid(1:R.RasterSize(2), 1:R.RasterSize(1)); z double(terrain_data);3. 算法实现与核心代码解析3.1 信息素矩阵设计与更新在三维空间中我们将环境离散化为20m×20m×10m的立方体网格。信息素矩阵τ的大小为Nx×Ny×Nz其中Nx 地形长度/20mNy 地形宽度/20mNz 最大飞行高度/10m信息素更新遵循以下规则% 信息素更新核心代码 tau (1 - rho) * tau; % 挥发 for k 1:num_ants path ant_paths{k}; delta_tau Q / path_cost(k); for node 1:length(path)-1 [x,y,z] ind2sub(size(tau), path(node)); [x_next,y_next,z_next] ind2sub(size(tau), path(node1)); tau(x,y,z) tau(x,y,z) delta_tau; end end关键参数说明ρ0.1挥发系数控制历史信息的遗忘速度Q100信息素强度影响新路径的吸引力α1, β2启发式因子平衡信息素与启发信息的重要性3.2 动态避障实现机制当无人机通过机载传感器如毫米波雷达检测到新障碍物时会触发以下应急流程在全局信息素矩阵中标记障碍区域设置τ0重新计算当前点到目标点的局部路径通过无线自组网向其他无人机广播障碍物信息各无人机接收更新后在自身规划中避开该区域% 动态障碍处理代码示例 function update_obstacle(x,y,z) tau(x,y,z) 0; broadcast_msg struct(type,obstacle,pos,[x y z]); send_to_all_drones(broadcast_msg); end4. 多机协同优化策略4.1 冲突检测与解决我们采用时空立方体(space-time cube)方法检测路径冲突。将每架无人机的轨迹表示为三维空间时间维度的管状体当两个管状体相交时即判定为潜在冲突。冲突解决策略优先级高度调整改变飞行层速度调节让快速无人机先行路径重规划作为最后手段% 冲突检测代码片段 function [is_conflict, t] check_conflict(path1, t1, path2, t2) time_window max(t1(end), t2(end)); for t 1:time_window pos1 interpolate_path(path1, t1, t); pos2 interpolate_path(path2, t2, t); if norm(pos1 - pos2) safety_distance is_conflict true; return; end end is_conflict false; end4.2 任务分配优化对于多无人机任务分配我们改进了传统的拍卖算法(Auction Algorithm)引入能耗均衡因子将巡检区域划分为若干子区域计算各无人机到各子区域的综合代价距离剩余电量通过多轮竞价实现最优分配实测数据显示这种分配方式能使机群整体续航时间提升22%。5. 实际测试与性能分析5.1 仿真环境测试结果在模拟的5km×5km山地环境中含12个山峰和4个移动障碍物对算法进行测试无人机数量平均路径长度(km)最大冲突次数计算时间(s)38.204.757.826.387.559.1测试环境MATLAB R2021bIntel i7-11800H 2.3GHz32GB RAM5.2 实地飞行验证在某南方山区进行的实地# 1. 题目93. 复原 IP 地址难度中等857有效 IP 地址正好由四个整数每个整数位于0到255之间组成且不能含有前导0整数之间用.分隔。例如0.1.2.201和192.168.1.1是有效IP 地址但是0.011.255.245、192.168.1.312和192.1681.1是无效IP 地址。给定一个只包含数字的字符串s用以表示一个 IP 地址返回所有可能的有效 IP 地址这些地址可以通过在s中插入.来形成。你不能重新排序或删除s中的任何数字。你可以按任何顺序返回答案。示例 1输入s 25525511135 输出[255.255.11.135,255.255.111.35]示例 2输入s 0000 输出[0.0.0.0]示例 3输入s 101023 输出[1.0.10.23,1.0.102.3,10.1.0.23,10.10.2.3,101.0.2.3]提示1 s.length 20s仅由数字组成2. 题解3. codeclass Solution { public: vectorstring ans; bool isValid(const string s, int start, int end) { if (start end) { return false; } if (s[start] 0 start ! end) { return false; } int num 0; for (int i start; i end; i) { if (s[i] 9 || s[i] 0) { return false; } num num * 10 (s[i] - 0); if (num 255) { return false; } } return true; } void backtracking(string s, int startIdx, int pointNum) { if (pointNum 3) { if (isValid(s, startIdx, s.size() - 1)) { ans.push_back(s); } return; } for (int i startIdx; i s.size(); i) { if (isValid(s, startIdx, i)) { s.insert(s.begin() i 1, .); pointNum; backtracking(s, i 2, pointNum); pointNum--; s.erase(s.begin() i 1); } else { break; } } return; } vectorstring restoreIpAddresses(string s) { if (s.size() 4 || s.size() 12) return ans; backtracking(s, 0, 0); return ans; } };4. 心得回溯法注意终止条件以及判断是否有效。