一种基于改进ARA*的无人机航迹规划算法

doi:10.3969/j.issn.1009-086x.2025.06.011

摘要/Abstract

摘要：

针对传统无人机航迹规划算法寻路效率差，未充分考虑对抗环境下诸如地形高程、雷达探测以及火力威胁等飞行威胁因子导致航迹规划成功率低的问题，提出一种基于改进ARA*的无人机航迹规划算法。通过变权理论综合计算地形高程、雷达探测和火力威胁等威胁因子，形成全局三维网格化的威胁地图；采用改进的ARA*算法在威胁地图上进行路径规划，同时将无人机飞行性能纳入路径规划约束，使其能够规划出符合实际无人机轨迹的路径。仿真实验表明，改进的航迹规划方法在复杂对抗场景下展现出良好的适应性和效果，对比传统算法能够保持航迹寻路高成功率的同时，显著降低规划路径受威胁程度，为无人机在高威胁场景下提高任务完成率提供了一种解决思路。

关键词: 无人机, 航迹规划, 路径规划, 威胁建模, 变权理论

Abstract:

To address the limitations of traditional unmanned aerial vehicle （UAV） path planning algorithms， which often exhibit low efficiency and low success rate of path planning due to inadequate consideration of environmental threats such as terrain elevation， radar detection， and anti-aircraft fire in adversarial scenarios， this paper proposes an improved ARA*-based path planning algorithm for UAVs. The algorithm achieves the integrated calculation of threat factors such as terrain elevation， radar detection， and anti-aircraft fire through the variable weight theory， generates a global 3D gridded threat map， and conducts path planning with an improved ARA* algorithm on the threat map. It incorporates UAV flight performance in path planning constraints for realistic trajectory planning. Simulation experiments demonstrate that the proposed method exhibits excellent adaptability and effectiveness in complex adversarial scenarios， significantly reducing the threat level of planned paths while maintaining a high success rate compared to traditional algorithms. This approach offers a promising solution for enhancing UAV mission completion rates in high-threat environments.

Key words: unmanned aerial vehicle（UAV）, path planning, route planning, threat modeling, variable-weight theory

中图分类号:

V279

冯雪健, 李亦非, 童逸琦, 张燕津. 一种基于改进ARA^*的无人机航迹规划算法[J]. 现代防御技术, 2025, 53(6): 101-110.

Xuejian FENG, Yifei LI, Yiqi TONG, Yanjin ZHANG. An Improved ARA^*-Based Path Planning Algorithm for UAV[J]. Modern Defense Technology, 2025, 53(6): 101-110.

图/表 11

图1 整体框架流程图

Fig. 1 Overall framework of the proposed method

图2 改进ARA*算法流程图

Fig. 2 Flowchart of the improved ARA* algorithm

表1 改进ARA*算法的参数设置

Table 1 Parameter setting of the improved ARA* algorithm

参数名称	参数值
时间限制/s	0.9
代价因子 $ε$ 初值	2.5
代价递减策略	0.5
威胁惩罚系数k	0.2

表1 改进ARA*算法的参数设置

Table 1 Parameter setting of the improved ARA* algorithm

参数名称	参数值
时间限制/s	0.9
代价因子 $ε$ 初值	2.5
代价递减策略	0.5
威胁惩罚系数k	0.2

表2 改进ARA*算法和其他常见航迹规划算法的搜索性能对比

Table 2 Comparison of searching performance among the improved ARA* algorithm and common path planning methods

实验场景	算法	测试组数	规划成功率/%	平均搜索耗时/s	平均搜索路程/m	路线平均威胁值
Easy	BFS	100	97	30.30	7 979	0.34
	DFS	100	0	N/A	N/A	N/A
	Dijkstra	100	100	21.71	8 013	0.35
	A*	100	100	1.07	6 967	0.22
	改进RRT	100	100	0.56	6 413	0.23
	改进ARA*	100	100	0.41	6 215	0.12
Medium	BFS	100	4	88.60	12 041	N/A
	DFS	100	0	N/A	N/A	N/A
	Dijkstra	100	3	88.59	14 457	0.38
	A*	100	100	19.63	35 323	0.29
	改进RRT	100	100	10.53	34 886	0.27
	改进ARA*	100	100	1.72	34 765	0.13
Hard	BFS	100	0	N/A	N/A	N/A
	DFS	100	0	N/A	N/A	N/A
	Dijkstra	100	0	N/A	N/A	N/A
	A*	100	25	80.65	85 384	0.31
	改进RRT	100	71	25.12	82 447	0.28
	改进ARA*	100	98	10.50	79 465	0.16

图3 威胁地图以及无人机航迹规划结果

Fig. 3 Threat map and UAV path planning results

图4 具体数值的威胁地图与航迹规划结果

Fig. 4 Threat map and path planning results with specific numerical values

图5 去除火力威胁后的航迹规划结果

Fig. 5 Path planning result after removing anti-aircraft fire threat

图6 去除雷达探测威胁后的航迹规划结果

Fig. 6 Path planning result after removing radar detection threat

图7 去除地形高程威胁后的无人机航迹规划结果

Fig. 7 Path planning result after removing terrain elevation threat

图8 不同威胁参数取值对路线平均威胁值的影响

Fig. 8 Influence of different threat parameter values on the average threat value of the route

图9 三维仿真路径规划结果

Fig. 9 3D simulation path planning results

参考文献 18

[1]	樊邦奎，张瑞雨. 无人机系统与人工智能［J］. 武汉大学学报（信息科学版）， 2017， 42（11）： 1523-1529.
	FAN Bangkui， ZHANG Ruiyu. Unmanned Aircraft System and Artificial Intelligence［J］. Geomatics and Information Science of Wuhan University， 2017， 42（11）： 1523-1529.
[2]	郭庆华，胡天宇，刘瑾，等. 轻小型无人机遥感及其行业应用进展［J］. 地理科学进展， 2021， 40（9）： 1550-1569.
	GUO Qinghua， HU Tianyu， LIU Jin， et al. Advances in Light Weight Unmanned Aerial Vehicle Remote Sensing and Major Industrial Applications［J］. Progress in Geography， 2021， 40（9）： 1550-1569.
[3]	SAADI A AIT， SOUKANE A， MERAIHI Y， et al. UAV Path Planning Using Optimization Approaches： A Survey［J］. Archives of Computational Methods in Engineering， 2022， 29（6）： 4233-4284.
[4]	符小卫，高晓光. 一种无人机路径规划算法研究［J］. 系统仿真学报， 2004， 16（1）： 20-21， 34.
	FU Xiaowei， GAO Xiaoguang. Study on a Kind of Path Planning Algorithm for UAV［J］. Journal of System Simulation， 2004， 16（1）： 20-21， 34.
[5]	陈中起，于雷，周中良，等. 基于隐身的三维航迹规划研究［J］. 飞行力学， 2012， 30（2）： 155-159， 166.
	CHEN Zhongqi， YU Lei， ZHOU Zhongliang， et al. Research on 3D-Route Planning Based on Aircraft Stealth［J］. Flight Dynamics， 2012， 30（2）： 155-159， 166.
[6]	郭琨，李梦蕾，雷毅飞，等. 基于改进A^*算法与WAPSO算法的无人机突防轨迹规划技术研究［J］. 无人系统技术， 2023， 6（2）： 22-31.
	GUO Kun， LI Menglei， LEI Yifei， et al. UAV Penetration Path Planning Method Based on Improved A^* and WAPSO Algorithms［J］. Unmanned Systems Technology， 2023， 6（2）： 22-31.
[7]	CONNELL D， MANH LA H. Extended Rapidly Exploring Random Tree-Based Dynamic Path Planning and Replanning for Mobile Robots［J］. International Journal of Advanced Robotic Systems， 2018， 15（3）： 172988141877387.
[8]	莫松，黄俊，郑征，等. 基于改进快速扩展随机树方法的隐身无人机突防航迹规划［J］. 控制理论与应用， 2014， 31（3）： 375-385.
	MO Song， HUANG Jun， ZHENG Zheng， et al. Stealth Penetration Path Planning for Stealth Unmanned Aerial Vehicle Based on Improved Rapidly-Exploring-Random-Tree［J］. Control Theory & Applications， 2014， 31（3）： 375-385.
[9]	路引，郭昱津，王道波. 基于RRT算法的某型无人机航路在线规划设计［J］. 兵器装备工程学报， 2016， 37（12）： 18-21.
	LU Yin， GUO Yujin， WANG Daobo. Design on Route Online Planning for a Certain UAV Based on RRT Algorithm［J］. Journal of Ordnance Equipment Engineering， 2016， 37（12）： 18-21.
[10]	王瑶，任安虎，任洋洋. 改进蚁群算法的无人机航迹规划［J］. 电光与控制， 2024， 31（4）： 43-48.
	WANG Yao， REN Anhu， REN Yangyang. An Improved Ant Colony Algorithm for UAV Trajectory Planning［J］. Electronics Optics & Control， 2024， 31（4）： 43-48.
[11]	马云红，周德云. 一种无人机路径规划的混沌遗传算法［J］. 西北工业大学学报， 2006， 24（4）： 468-471.
	MA Yunhong， ZHOU Deyun. A Chaotic Genetic Algorithm （CGA） for Path Planning of UAVs（Unmanned Air Vehicles）［J］. Journal of Northwestern Polytechnical University， 2006， 24（4）： 468-471.
[12]	LADOSZ P， WENG Lianan， KIM M， et al. Exploration in Deep Reinforcement Learning： A Survey［J］. Information Fusion， 2022， 85： 1-22.
[13]	YANG Yang， LI Juntao， PENG Lingling. Multi-Robot Path Planning Based on a Deep Reinforcement Learning DQN Algorithm［J］. CAAI Transactions on Intelligence Technology， 2020， 5（3）： 177-183.
[14]	邓修朋，崔建明，李敏，等. 深度强化学习在机器人路径规划中的应用［J］. 电子测量技术， 2023， 46（6）： 1-8.
	DENG Xiupeng， CUI Jianming， LI Min， et al. Application of Deep Reinforcement Learning in Robot Path Planning［J］. Electronic Measurement Technology， 2023， 46（6）： 1-8.
[15]	刘泽森，毕盛，郭传鈜，等. 基于深度学习的机器人局部路径规划方法［J］. 系统仿真学报， 2024， 36（5）： 1199-1210.
	LIU Zesen， BI Sheng， GUO Chuanhong， et al. Deep Learning Based Local Path Planning Method for Moving Robots［J］. Journal of System Simulation， 2024， 36（5）： 1199-1210.
[16]	谢华，苏方正，尹嘉男，等. 复杂低空无人机飞行冲突网络建模与精细管理［J］. 航空学报， 2023， 44（18）： 216-236.
	XIE Hua， SU Fangzheng， YIN Jianan， et al. Network Modeling and Refined Management of UAV Flight Conflicts in Complex Low Altitude Airspace［J］. Acta Aeronautica et Astronautica Sinica， 2023， 44（18）： 216-236.
[17]	黄梦涛，李智伟. 改进ARA^*算法的移动机器人路径规划［J］. 计算机工程与应用， 2022， 58（24）： 291-297.
	HUANG Mengtao， LI Zhiwei. Path Planning of Mobile Robot Based on Improved ARA^* Algorithm［J］. Computer Engineering and Applications， 2022， 58（24）： 291-297.
[18]	顾秋逸，李大鹏. 基于改进RRT算法的无人机路径规划［J］. 无线电通信技术， 2024， 50（6）： 1184-1191.
	GU Qiuyi， LI Dapeng. Unmanned Aerial Vehicle Path Planning Based on Improved RRT Algorithm［J］. Radio Communications Technology， 2024， 50（6）： 1184-1191.