简介这份资源面向无人机航迹规划的学习者与研究者聚焦战场环境下的仿真验证场景解决如何规避雷达扫描与干扰、求解到达目标最短路径的问题适合具备一定MATLAB基础、关注路径规划算法的中高级读者参考。压缩包内共1个文件为m格式的MATLAB脚本整体约1KB体量轻巧便于直接运行与二次修改。目前已有257人学习下载具备一定的参考热度。资源围绕Dijkstra、A*搜索以及维纳滤波、粒子滤波等算法思路展开可用于模拟地形特征、雷达分布与无人机性能参数检验规划算法的有效性与可行性帮助读者理解最短路径求解与动态避障的实现逻辑。同时内容涉及单片机作为核心控制器运行简化版算法时的低复杂度与实时性考量便于读者将算法思路与嵌入式实现衔接快速搭建仿真验证环境并复盘关键环节。1. 战场航迹规划到底在算什么从雷达规避到最短路径的工程拆解无人机航迹规划在战场环境中的仿真验证核心不是画一条从 A 到 B 的线而是在雷达扫描与干扰的夹缝里求出一条既不被发现、又尽量短的可行路径。很多人第一次接触这个方向会把它当成纯粹的路径搜索问题直接套 A* 或 Dijkstra结果跑出来的航迹一头扎进雷达探测范围。真实战场环境里雷达不是静态障碍物它有扫描周期、探测半径、干扰扇区甚至多部雷达叠加形成覆盖网。航迹规划要同时处理三层约束几何可行性不撞山、不超转弯半径、威胁规避雷达探测概率低于阈值、代价最优航程最短或暴露时间最短。仿真验证则是把规划结果放进一个可重复的数字环境里用离散时间步推演看它到底能不能活下来。这套东西适合做无人系统、任务规划、作战仿真方向的工程师也适合想用最短路径算法解决带威胁场约束问题的算法同学。下面按「建模 → 规划 → 仿真 → 避坑 → 调参」的顺序把可复现的路径讲清楚。2. 雷达威胁场怎么建模探测概率、扫描周期与干扰扇区2.1 把雷达变成可计算的代价场航迹规划要规避雷达第一步是把雷达的物理行为翻译成算法能读的数值。常见做法是构造一个二维或三维威胁场每个栅格或每个采样点存一个代价值代表无人机经过该点被发现的概率或风险。雷达探测概率通常用雷达方程推导但工程仿真里更常用简化模型以雷达位置为圆心探测概率随距离衰减比如 ( P(d) e^{-k d^2} ) 或分段线性衰减。扫描周期则影响时间维度——如果无人机快速穿过扫描盲区瞬时暴露概率低但若在探测范围内停留超过一个扫描周期累积发现概率会上升。干扰扇区可以建模为雷达探测能力被压制的区域代价值乘以一个小于 1 的干扰因子或者直接标记为低风险通道。我一般会用一个栅格化的威胁场分辨率取 50 米到 100 米取决于任务区域大小和无人机机动能力。每个栅格存三个量基础探测概率、干扰衰减因子、高度惩罚低空突防时地形遮蔽带来的额外收益。这样后续做最短路径搜索时边权就是「航程 威胁代价」的加权和。import numpy as np def build_threat_field(radars, grid_size, resolution): radars: list of dict, each with x, y, radius, k, jam_factor grid_size: (nx, ny) resolution: meter per cell 返回 threat: 2D array, 值越大越危险 nx, ny grid_size threat np.zeros((nx, ny)) for r in radars: cx, cy int(r[x] / resolution), int(r[y] / resolution) R int(r[radius] / resolution) for i in range(max(0, cx - R), min(nx, cx R 1)): for j in range(max(0, cy - R), min(ny, cy R 1)): d np.hypot(i - cx, j - cy) * resolution if d r[radius]: p np.exp(-r[k] * d * d) # 干扰扇区降低威胁 threat[i, j] max(threat[i, j], p * r.get(jam_factor, 1.0)) return threat这段代码把每部雷达的探测概率叠加到栅格上k控制衰减速度jam_factor表示该雷达受干扰后的效能折扣。实际使用时k的取值要让探测半径边缘的概率降到 0.05 以下否则威胁场会拖尾太长导致规划器过度绕行。resolution不能太粗否则窄走廊会被抹掉也不能太细否则搜索空间爆炸。50 米分辨率对中小型无人机比较合适。2.2 扫描周期与时间维度的处理如果只做静态威胁场规划出的航迹可能刚好穿过雷达扫描的间隙但仿真时因为时间不同步而失败。更稳妥的做法是把扫描周期离散成若干相位每个相位对应一个威胁场快照。规划时可以用「最坏情况」策略取所有相位中威胁最大的那个作为静态场保证任何时刻都不超阈值。也可以用时间扩展图把每个栅格复制成 T 层层间转移代表时间推进但计算量会成倍增加。工程上我倾向于先用最坏情况场跑一版粗规划再用仿真推演检查实际暴露时间。如果发现某段航迹在特定相位下风险超标就局部调整速度或高度而不是全局重规划。这样能在精度和效率之间取得平衡。3. 最短路径搜索怎么落地A*、RRT 与威胁代价的融合3.1 A* 在威胁场上的改造要点A* 是最短路径算法里最容易改造到威胁场上的。标准 A* 的代价函数是 ( f g h )( g ) 是已走航程( h ) 是到目标的直线距离启发。在威胁场里( g ) 要改成「航程 威胁累积」比如每走一个栅格代价增加step_length * (1 alpha * threat)其中alpha是威胁权重。启发函数 ( h ) 仍然可以用欧氏距离但必须保证它不高估真实代价否则 A* 不再最优。如果威胁代价非负欧氏距离作为 ( h ) 是安全的。import heapq def astar(threat, start, goal, resolution, alpha5.0): threat: 2D array start, goal: (i, j) grid indices alpha: 威胁权重越大越保守 nx, ny threat.shape open_set [(0, start)] came_from {} g_score {start: 0.0} while open_set: _, current heapq.heappop(open_set) if current goal: path [] while current in came_from: path.append(current) current came_from[current] path.append(start) return path[::-1] for di, dj in [(-1,0),(1,0),(0,-1),(0,1),(-1,-1),(-1,1),(1,-1),(1,1)]: ni, nj current[0] di, current[1] dj if not (0 ni nx and 0 nj ny): continue step resolution * (1.414 if di ! 0 and dj ! 0 else 1.0) cost step * (1 alpha * threat[ni, nj]) tentative g_score[current] cost if (ni, nj) not in g_score or tentative g_score[(ni, nj)]: came_from[(ni, nj)] current g_score[(ni, nj)] tentative h resolution * np.hypot(ni - goal[0], nj - goal[1]) heapq.heappush(open_set, (tentative h, (ni, nj))) return Nonealpha是这套里最关键的参数。alpha太小规划器几乎无视雷达航迹短但暴露高alpha太大航迹会绕到很远甚至找不到可行解。我一般从 5 开始试看航迹是否避开高威胁区再根据仿真暴露时间微调。八邻域搜索比四邻域更接近真实航迹但要注意对角线移动的代价要乘 1.414否则会出现锯齿。3.2 RRT 在窄走廊和动态威胁下的补充A* 在栅格上跑适合威胁场已知且静态的情况。如果雷达扫描导致威胁场随时间变化或者任务区域有大量窄走廊RRT快速扩展随机树更灵活。RRT 不需要栅格化直接在连续空间采样扩展树时检查边是否穿过高威胁区。它的缺点是路径不最优通常需要跑多次取最短或者用 RRT* 做渐近优化。工程上常见的混合策略是先用 A* 在粗栅格上找一条全局可行路径再用 RRT 在路径附近做局部优化平滑转弯和高度变化。这样既保证全局规避又让航迹更可飞。4. 仿真验证怎么做离散推演、暴露统计与可视化4.1 用离散时间步推演航迹规划出的航迹是一串航点仿真验证要把它变成带时间的轨迹。常见做法是按固定时间步长比如 0.1 秒或 1 秒推进根据无人机速度计算每个时刻的位置然后查询该位置在威胁场中的探测概率。如果概率超过阈值记录一次暴露事件。累积暴露时间超过门限或者瞬时概率超过硬限就判定航迹失败。def simulate(path, threat, resolution, speed, dt1.0, threshold0.3): path: list of (i, j) speed: m/s dt: simulation step in seconds 返回: 暴露时间, 最大瞬时概率, 是否成功 exposed_time 0.0 max_p 0.0 for k in range(len(path) - 1): p0 np.array(path[k]) * resolution p1 np.array(path[k1]) * resolution seg_len np.linalg.norm(p1 - p0) steps max(1, int(seg_len / (speed * dt))) for s in range(steps): t s / steps pos p0 t * (p1 - p0) i, j int(pos[0] / resolution), int(pos[1] / resolution) if 0 i threat.shape[0] and 0 j threat.shape[1]: p threat[i, j] max_p max(max_p, p) if p threshold: exposed_time dt / steps return exposed_time, max_p, exposed_time 5.0 and max_p 0.8threshold是单点暴露判定门限通常取 0.2 到 0.4。exposed_time的允许上限取决于任务敏感度侦察任务可能要求小于 3 秒打击任务可以放宽到 10 秒。仿真步长dt要小于雷达扫描周期的一半否则会漏掉扫描峰值。4.2 暴露统计与可视化排查仿真跑完不能只看成功与否要输出暴露时间分布、最大概率点、航迹长度。我习惯把威胁场画成热力图航迹叠上去暴露点用红圈标出。这样一眼就能看出规划器是不是在某个雷达边缘反复蹭。如果发现航迹贴着威胁等值线走说明alpha偏小如果绕得离谱说明alpha偏大或者威胁场拖尾太长。可视化还能暴露一个隐蔽问题栅格分辨率导致的「假走廊」。两个高威胁栅格之间如果刚好有一列低威胁栅格A* 会挤过去但实际雷达波束是连续的这条走廊可能并不存在。解决办法是提高分辨率或者在威胁场上做形态学膨胀把窄缝填掉。5. 避坑与排查航迹规划仿真里最容易翻车的五件事5.1 现象规划出的航迹穿过雷达中心但代价值显示很低原因通常是威胁场坐标系和栅格坐标系对不上。雷达位置用的是地理坐标或局部坐标栅格索引是整数如果转换时忘了除以分辨率或者 y 轴方向反了威胁场就会整体偏移。解决方法是单独写一个坐标转换函数用已知点做单元测试比如在雷达正上方放一个测试点检查威胁值是否接近 1。5.2 现象A* 跑很久不出结果或者内存爆掉原因可能是搜索空间太大或者启发函数失效。如果威胁场分辨率是 10 米任务区域 10 公里 × 10 公里栅格数就是 100 万 × 100 万直接爆炸。解决方法是先用粗分辨率跑全局再在局部用细分辨率。另外检查h是否被威胁代价污染h必须只依赖几何距离不能加威胁项否则可能高估导致找不到解。5.3 现象仿真里航迹成功但换一组雷达参数就失败原因是规划时用了最坏情况场但仿真时雷达扫描相位和规划假设不一致。比如规划假设所有雷达同时开机仿真时部分雷达间歇工作威胁场变了航迹可能反而撞上开机雷达。解决办法是在仿真里也做多相位推演取最差结果或者规划时直接做时间扩展。5.4 现象航迹锯齿严重无人机实际飞不了A* 八邻域搜索天然产生锯齿因为栅格离散化。直接输出给飞控会导致频繁转弯。解决方法是在规划后加一步航迹平滑用三次样条或贝塞尔曲线拟合航点同时检查平滑后的曲线是否侵入高威胁区。如果侵入了就增加航点密度或者调整alpha重新规划。5.5 现象暴露时间统计和预期差很多检查仿真步长和速度设置。如果dt太大无人机一步跨过整个雷达探测区暴露时间会被严重低估。一般要求speed * dt小于雷达半径的十分之一。另外检查威胁场插值方式最近邻插值会产生阶梯效应双线性插值更平滑但计算量稍大。6. 把参数调稳的实战技巧从 alpha 到仿真步长的收敛习惯调参这件事没有银弹但有一套收敛习惯可以少走弯路。我一般固定威胁场和仿真环境只动一个参数看三个指标航迹长度、累积暴露时间、最大瞬时概率。先调alpha从 1 开始每次乘 2直到暴露时间降到门限以下然后回退一档找最短航迹。alpha确定后再调仿真步长dt从 1 秒降到 0.1 秒看暴露时间是否收敛如果变化超过 20%说明dt还不够小。威胁场的k和resolution要一起调。k决定探测概率衰减快慢resolution决定空间离散精度。一个实用技巧是让k满足在探测半径边缘概率降到 0.05 左右。这样威胁场不会拖尾太长也不会在雷达附近过于陡峭。resolution取探测半径的十分之一到二十分之一既能分辨窄走廊又不至于让搜索空间失控。最后仿真验证不要只跑一条航迹。我习惯用蒙特卡洛跑 50 到 100 次每次随机扰动雷达位置或扫描相位统计成功率。如果成功率低于 90%说明规划器对参数太敏感需要加保守裕度比如把威胁阈值从 0.3 降到 0.2或者把alpha提高 20%。这套流程跑下来航迹规划才算真正能落地而不是只在理想栅格上好看。希望帮到你。本文还有配套的精品资源点击获取 
长河君 · 2026/10/28 23:38:32 · 阅读 1.2k 战场无人机航迹规划仿真：雷达威胁场建模与A*算法实战
简介这份资源面向无人机航迹规划的学习者与研究者聚焦战场环境下的仿真验证场景解决如何规避雷达扫描与干扰、求解到达目标最短路径的问题适合具备一定MATLAB基础、关注路径规划算法的中高级读者参考。压缩包内共1个文件为m格式的MATLAB脚本整体约1KB体量轻巧便于直接运行与二次修改。目前已有257人学习下载具备一定的参考热度。资源围绕Dijkstra、A*搜索以及维纳滤波、粒子滤波等算法思路展开可用于模拟地形特征、雷达分布与无人机性能参数检验规划算法的有效性与可行性帮助读者理解最短路径求解与动态避障的实现逻辑。同时内容涉及单片机作为核心控制器运行简化版算法时的低复杂度与实时性考量便于读者将算法思路与嵌入式实现衔接快速搭建仿真验证环境并复盘关键环节。1. 战场航迹规划到底在算什么从雷达规避到最短路径的工程拆解无人机航迹规划在战场环境中的仿真验证核心不是画一条从 A 到 B 的线而是在雷达扫描与干扰的夹缝里求出一条既不被发现、又尽量短的可行路径。很多人第一次接触这个方向会把它当成纯粹的路径搜索问题直接套 A* 或 Dijkstra结果跑出来的航迹一头扎进雷达探测范围。真实战场环境里雷达不是静态障碍物它有扫描周期、探测半径、干扰扇区甚至多部雷达叠加形成覆盖网。航迹规划要同时处理三层约束几何可行性不撞山、不超转弯半径、威胁规避雷达探测概率低于阈值、代价最优航程最短或暴露时间最短。仿真验证则是把规划结果放进一个可重复的数字环境里用离散时间步推演看它到底能不能活下来。这套东西适合做无人系统、任务规划、作战仿真方向的工程师也适合想用最短路径算法解决带威胁场约束问题的算法同学。下面按「建模 → 规划 → 仿真 → 避坑 → 调参」的顺序把可复现的路径讲清楚。2. 雷达威胁场怎么建模探测概率、扫描周期与干扰扇区2.1 把雷达变成可计算的代价场航迹规划要规避雷达第一步是把雷达的物理行为翻译成算法能读的数值。常见做法是构造一个二维或三维威胁场每个栅格或每个采样点存一个代价值代表无人机经过该点被发现的概率或风险。雷达探测概率通常用雷达方程推导但工程仿真里更常用简化模型以雷达位置为圆心探测概率随距离衰减比如 ( P(d) e^{-k d^2} ) 或分段线性衰减。扫描周期则影响时间维度——如果无人机快速穿过扫描盲区瞬时暴露概率低但若在探测范围内停留超过一个扫描周期累积发现概率会上升。干扰扇区可以建模为雷达探测能力被压制的区域代价值乘以一个小于 1 的干扰因子或者直接标记为低风险通道。我一般会用一个栅格化的威胁场分辨率取 50 米到 100 米取决于任务区域大小和无人机机动能力。每个栅格存三个量基础探测概率、干扰衰减因子、高度惩罚低空突防时地形遮蔽带来的额外收益。这样后续做最短路径搜索时边权就是「航程 威胁代价」的加权和。import numpy as np def build_threat_field(radars, grid_size, resolution): radars: list of dict, each with x, y, radius, k, jam_factor grid_size: (nx, ny) resolution: meter per cell 返回 threat: 2D array, 值越大越危险 nx, ny grid_size threat np.zeros((nx, ny)) for r in radars: cx, cy int(r[x] / resolution), int(r[y] / resolution) R int(r[radius] / resolution) for i in range(max(0, cx - R), min(nx, cx R 1)): for j in range(max(0, cy - R), min(ny, cy R 1)): d np.hypot(i - cx, j - cy) * resolution if d r[radius]: p np.exp(-r[k] * d * d) # 干扰扇区降低威胁 threat[i, j] max(threat[i, j], p * r.get(jam_factor, 1.0)) return threat这段代码把每部雷达的探测概率叠加到栅格上k控制衰减速度jam_factor表示该雷达受干扰后的效能折扣。实际使用时k的取值要让探测半径边缘的概率降到 0.05 以下否则威胁场会拖尾太长导致规划器过度绕行。resolution不能太粗否则窄走廊会被抹掉也不能太细否则搜索空间爆炸。50 米分辨率对中小型无人机比较合适。2.2 扫描周期与时间维度的处理如果只做静态威胁场规划出的航迹可能刚好穿过雷达扫描的间隙但仿真时因为时间不同步而失败。更稳妥的做法是把扫描周期离散成若干相位每个相位对应一个威胁场快照。规划时可以用「最坏情况」策略取所有相位中威胁最大的那个作为静态场保证任何时刻都不超阈值。也可以用时间扩展图把每个栅格复制成 T 层层间转移代表时间推进但计算量会成倍增加。工程上我倾向于先用最坏情况场跑一版粗规划再用仿真推演检查实际暴露时间。如果发现某段航迹在特定相位下风险超标就局部调整速度或高度而不是全局重规划。这样能在精度和效率之间取得平衡。3. 最短路径搜索怎么落地A*、RRT 与威胁代价的融合3.1 A* 在威胁场上的改造要点A* 是最短路径算法里最容易改造到威胁场上的。标准 A* 的代价函数是 ( f g h )( g ) 是已走航程( h ) 是到目标的直线距离启发。在威胁场里( g ) 要改成「航程 威胁累积」比如每走一个栅格代价增加step_length * (1 alpha * threat)其中alpha是威胁权重。启发函数 ( h ) 仍然可以用欧氏距离但必须保证它不高估真实代价否则 A* 不再最优。如果威胁代价非负欧氏距离作为 ( h ) 是安全的。import heapq def astar(threat, start, goal, resolution, alpha5.0): threat: 2D array start, goal: (i, j) grid indices alpha: 威胁权重越大越保守 nx, ny threat.shape open_set [(0, start)] came_from {} g_score {start: 0.0} while open_set: _, current heapq.heappop(open_set) if current goal: path [] while current in came_from: path.append(current) current came_from[current] path.append(start) return path[::-1] for di, dj in [(-1,0),(1,0),(0,-1),(0,1),(-1,-1),(-1,1),(1,-1),(1,1)]: ni, nj current[0] di, current[1] dj if not (0 ni nx and 0 nj ny): continue step resolution * (1.414 if di ! 0 and dj ! 0 else 1.0) cost step * (1 alpha * threat[ni, nj]) tentative g_score[current] cost if (ni, nj) not in g_score or tentative g_score[(ni, nj)]: came_from[(ni, nj)] current g_score[(ni, nj)] tentative h resolution * np.hypot(ni - goal[0], nj - goal[1]) heapq.heappush(open_set, (tentative h, (ni, nj))) return Nonealpha是这套里最关键的参数。alpha太小规划器几乎无视雷达航迹短但暴露高alpha太大航迹会绕到很远甚至找不到可行解。我一般从 5 开始试看航迹是否避开高威胁区再根据仿真暴露时间微调。八邻域搜索比四邻域更接近真实航迹但要注意对角线移动的代价要乘 1.414否则会出现锯齿。3.2 RRT 在窄走廊和动态威胁下的补充A* 在栅格上跑适合威胁场已知且静态的情况。如果雷达扫描导致威胁场随时间变化或者任务区域有大量窄走廊RRT快速扩展随机树更灵活。RRT 不需要栅格化直接在连续空间采样扩展树时检查边是否穿过高威胁区。它的缺点是路径不最优通常需要跑多次取最短或者用 RRT* 做渐近优化。工程上常见的混合策略是先用 A* 在粗栅格上找一条全局可行路径再用 RRT 在路径附近做局部优化平滑转弯和高度变化。这样既保证全局规避又让航迹更可飞。4. 仿真验证怎么做离散推演、暴露统计与可视化4.1 用离散时间步推演航迹规划出的航迹是一串航点仿真验证要把它变成带时间的轨迹。常见做法是按固定时间步长比如 0.1 秒或 1 秒推进根据无人机速度计算每个时刻的位置然后查询该位置在威胁场中的探测概率。如果概率超过阈值记录一次暴露事件。累积暴露时间超过门限或者瞬时概率超过硬限就判定航迹失败。def simulate(path, threat, resolution, speed, dt1.0, threshold0.3): path: list of (i, j) speed: m/s dt: simulation step in seconds 返回: 暴露时间, 最大瞬时概率, 是否成功 exposed_time 0.0 max_p 0.0 for k in range(len(path) - 1): p0 np.array(path[k]) * resolution p1 np.array(path[k1]) * resolution seg_len np.linalg.norm(p1 - p0) steps max(1, int(seg_len / (speed * dt))) for s in range(steps): t s / steps pos p0 t * (p1 - p0) i, j int(pos[0] / resolution), int(pos[1] / resolution) if 0 i threat.shape[0] and 0 j threat.shape[1]: p threat[i, j] max_p max(max_p, p) if p threshold: exposed_time dt / steps return exposed_time, max_p, exposed_time 5.0 and max_p 0.8threshold是单点暴露判定门限通常取 0.2 到 0.4。exposed_time的允许上限取决于任务敏感度侦察任务可能要求小于 3 秒打击任务可以放宽到 10 秒。仿真步长dt要小于雷达扫描周期的一半否则会漏掉扫描峰值。4.2 暴露统计与可视化排查仿真跑完不能只看成功与否要输出暴露时间分布、最大概率点、航迹长度。我习惯把威胁场画成热力图航迹叠上去暴露点用红圈标出。这样一眼就能看出规划器是不是在某个雷达边缘反复蹭。如果发现航迹贴着威胁等值线走说明alpha偏小如果绕得离谱说明alpha偏大或者威胁场拖尾太长。可视化还能暴露一个隐蔽问题栅格分辨率导致的「假走廊」。两个高威胁栅格之间如果刚好有一列低威胁栅格A* 会挤过去但实际雷达波束是连续的这条走廊可能并不存在。解决办法是提高分辨率或者在威胁场上做形态学膨胀把窄缝填掉。5. 避坑与排查航迹规划仿真里最容易翻车的五件事5.1 现象规划出的航迹穿过雷达中心但代价值显示很低原因通常是威胁场坐标系和栅格坐标系对不上。雷达位置用的是地理坐标或局部坐标栅格索引是整数如果转换时忘了除以分辨率或者 y 轴方向反了威胁场就会整体偏移。解决方法是单独写一个坐标转换函数用已知点做单元测试比如在雷达正上方放一个测试点检查威胁值是否接近 1。5.2 现象A* 跑很久不出结果或者内存爆掉原因可能是搜索空间太大或者启发函数失效。如果威胁场分辨率是 10 米任务区域 10 公里 × 10 公里栅格数就是 100 万 × 100 万直接爆炸。解决方法是先用粗分辨率跑全局再在局部用细分辨率。另外检查h是否被威胁代价污染h必须只依赖几何距离不能加威胁项否则可能高估导致找不到解。5.3 现象仿真里航迹成功但换一组雷达参数就失败原因是规划时用了最坏情况场但仿真时雷达扫描相位和规划假设不一致。比如规划假设所有雷达同时开机仿真时部分雷达间歇工作威胁场变了航迹可能反而撞上开机雷达。解决办法是在仿真里也做多相位推演取最差结果或者规划时直接做时间扩展。5.4 现象航迹锯齿严重无人机实际飞不了A* 八邻域搜索天然产生锯齿因为栅格离散化。直接输出给飞控会导致频繁转弯。解决方法是在规划后加一步航迹平滑用三次样条或贝塞尔曲线拟合航点同时检查平滑后的曲线是否侵入高威胁区。如果侵入了就增加航点密度或者调整alpha重新规划。5.5 现象暴露时间统计和预期差很多检查仿真步长和速度设置。如果dt太大无人机一步跨过整个雷达探测区暴露时间会被严重低估。一般要求speed * dt小于雷达半径的十分之一。另外检查威胁场插值方式最近邻插值会产生阶梯效应双线性插值更平滑但计算量稍大。6. 把参数调稳的实战技巧从 alpha 到仿真步长的收敛习惯调参这件事没有银弹但有一套收敛习惯可以少走弯路。我一般固定威胁场和仿真环境只动一个参数看三个指标航迹长度、累积暴露时间、最大瞬时概率。先调alpha从 1 开始每次乘 2直到暴露时间降到门限以下然后回退一档找最短航迹。alpha确定后再调仿真步长dt从 1 秒降到 0.1 秒看暴露时间是否收敛如果变化超过 20%说明dt还不够小。威胁场的k和resolution要一起调。k决定探测概率衰减快慢resolution决定空间离散精度。一个实用技巧是让k满足在探测半径边缘概率降到 0.05 左右。这样威胁场不会拖尾太长也不会在雷达附近过于陡峭。resolution取探测半径的十分之一到二十分之一既能分辨窄走廊又不至于让搜索空间失控。最后仿真验证不要只跑一条航迹。我习惯用蒙特卡洛跑 50 到 100 次每次随机扰动雷达位置或扫描相位统计成功率。如果成功率低于 90%说明规划器对参数太敏感需要加保守裕度比如把威胁阈值从 0.3 降到 0.2或者把alpha提高 20%。这套流程跑下来航迹规划才算真正能落地而不是只在理想栅格上好看。希望帮到你。本文还有配套的精品资源点击获取