2025年ESWA SCI1区TOP，复杂威胁环境下带偏差采样的多无人机路径规划、候选物评估与路径重构问题，深度解析+性能实测

---

1.摘要

本文研究聚焦于复杂城市环境下的多无人机路径规划问题，传统方法在面对障碍物、信号干扰区及危险区域等威胁因素时往往力不从心。因此，本文提出了一种基于网格的建模方法，并设计了改进多无人机快速扩展随机树算法（MU-RRT*-BCR），融合了偏向采样、候选评估和路径重构方法。结果显示，该方法在节点选择与轨迹优化方面显著优于传统 MU-RRT* 与 A* 算法：相较于 MU-RRT* ，平均目标函数值下降 17.59%，CPU 时间缩短 81.26%；相较于 A*，则分别降低了 4.86% 与 65.91%。此外，算法还引入了安全检测机制以避免无人机间碰撞，并通过 Dubins 方法确保路径符合无人机运动学约束。

2.问题描述

在城市威胁环境中，多无人机需规避建筑障碍并最小化威胁暴露以实现路径规划。环境模型中定义了两类危险源：建筑障碍（不可通行区域）和威胁点（风险可通行区域）。威胁值采用0-1量化体系，其中1代表绝对危险，0代表绝对安全。通过四元组参数定义威胁点特性，并引入建筑遮蔽效应计算有效威胁范围。

网格化建模

采用改进网格化方法将城市环境离散为立方体网格，蓝色网格表示建筑障碍，红色渐变网格表示威胁区域，灰色网格表示安全区域。威胁矩阵定义：
T={t(x,y,z)}(x=0,y=0,z=0)(xmax⁡−1,ymax⁡−1,zmax⁡−1)T=\{t(x,y,z)\}_{(x=0,y=0,z=0)}^{(x_{\max}-1,y_{\max}-1,z_{\max}-1)} T={t(x,y,z)}(x=0,y=0,z=0)(xmax​−1,ymax​−1,zmax​−1)​

为保障飞行安全，将禁飞区域扩展至建筑网格周边26个相邻网格，形成安全缓冲带，对于威胁点影响范围内的网格，威胁值随距离增大而递减。当网格同时受多重威胁源影响时，采用威胁值累加机制，网格综合威胁值：
$$t(x,y,z)=\min (1,\sum _{i=1}^{Nb}{t}_i^b(x,y,z)+\sum _{i=1}^{Nt}{t}_i^t(x,y,z))$$

路径表示

无人机路径需采用参数化表征以实现规划与控制，飞行路径定义为离散点集，并采用精确算法生成三维Dubins路径。

3.MU-RRT*-BCR

节点生成策略

针对RRT* 算法随机采样导致的收敛速度慢和局部最优陷阱问题，本文提出新型节点生成策略，该策略通过三阶段优化：偏置采样，候选点生成，评估优选。通过多候选点并行评估机制，有效提升搜索效率并规避局部最优。

安全检测机制

多无人机路径规划中的防撞机制通过安全检测算法实现，核心包含两个层级：可通行性检测和交叉检测。

基于概率的连接策略

引入概率检测机制优化算法终止条件，该机制通过三步骤实现早熟收敛：概率评估，近目标节点筛选，安全验证。

路径重构机制

本文提出基于三角不等式的多无人机路径重构机制，通过三级优化提升路径质量：安全连接验证，局部优化迭代和全局路径精简。

4.结果展示

5.参考文献

[1] Chen Z, Luo Z, Jin X, et al. Multi-UAV path planning problem with biased sampling, candidate evaluation, and path reconfiguration in complex environment with threats[J]. Expert Systems with Applications, 2025: 128558.

6.代码获取

xx

7.算法辅导·应用定制·读者交流

xx