【纯白嫖】A* 算法无人机路径规划完整指南:Python 实现三机协同避障
【纯白嫖】A* 算法无人机路径规划完整指南:Python 实现三机协同避障
三架无人机同时起飞,要在布满风险区的场地上空各找一条既安全又短的航线,手动标航点根本来不及。「无人机路径规划与导航Python」用 A* 算法(一种按"已走成本 + 预估剩余距离"给节点排序的启发式搜索算法)自动完成这件事:你在模拟地图上放好障碍和任务点,程序在秒级给出每架无人机的航线,途中发现新障碍还能触发重规划。
这套模拟场景里有什么
场景是一个 20×20 的规划网格,要素如下:
| 要素 | 说明 |
|---|---|
| 障碍 | 10 个高斯风险区,中心权值最高约 0.0625,随距离衰减,展开为 50×50 风险场 |
| 无人机 | 3 架,起始位置摆在地图下沿,可自行调整 |
| 任务点 | 6 个随机生成的服务区,各带一个服务需求量 |
| 目标点 | 右上角公共目的地,图中以红色 × 标出 |
每架无人机的路径代价由三项合成:欧氏距离、路径上风险场积分(系数 K)、服务区吸引项(系数 M)。所以这里的"最短路径"实际是"尽量绕开风险区的最短路径"。
🚁 十分钟跑通一次完整规划
- 环境要求 Python 3.6+,安装依赖:
pip install numpy matplotlib - 拿到项目代码后解压
project1.rar:仓库根目录只有 LICENSE、README.md 和压缩包,真实代码在包内的project1/目录里。 - 运行
python main.py:弹出 matplotlib 窗口,红、绿、蓝三条航线实时推进,绕开等高线状的风险区,最终汇合到目标点。
压缩包里自带两张现成的演示图(解压后位于 project1/ 下):
无人机路径规划 A* 算法环境初始化:风险区、服务区与目标点
无人机路径规划 A* 算法三机协同避障航线结果
左图是初始环境,右图是三机最终的避障航线,可以先对照着理解程序输出。
换成你自己的地图与任务点
场景参数集中在几个函数里,改完立即生效:
utils.py的set_enemies():每个障碍是[x, y, 中心权值]三元组,增删列表项就是增删障碍;main.py里的Initial数组:三架无人机的起点;target决定目的地;utils.py的get_config():K 是风险惩罚系数(调大航线会绕得更远),M 是服务吸引强度,step_way是单步最大移动距离,observe_r是探测半径——只有进入这个半径内,新障碍或服务区才会被发现并触发重新规划。
提醒一句:plan.py 目前把 20×20 的边界检查写死了,想放大网格需要同步改几处,适合作为第一个练手点。
核心代码在哪里
plan.py:A* 主体。a_star_search()用二叉堆作开放集合、曼哈顿距离作启发式;cost()把距离、风险积分与服务需求折成节点权值;main_multi.py:uav_plan()主循环——探测、重规划、移动按轮次交替,直到三机全部抵达终点;Ematrix.py:get_Ematrix()用高斯函数把每个风险区叠加成风险矩阵;draw.py:增量式可视化,每轮只画新的一段轨迹;utils.py:场景数据与全局配置。
代码采用 MIT 许可证(见根目录 LICENSE),可以自由改写与二次开发。
往动态避障与实时系统走
当前风险场是静态的,重规划只由"发现新障碍"和"服务需求下降"触发。想往实时系统方向推,有三个值得尝试的方向:
- 给障碍加上速度向量,让代价函数带时间维度,避的是"它将来在哪"而不是"它现在在哪";
- 把固定的曼哈顿启发式换成欧氏距离,对比路径平滑度的变化;
- 把无人机加到 4 架以上,观察航线冲突是否需要额外协同层。
最省事的起步方式:打开 main.py,把其中一个起点挪到另一个旁边,看三机重规划后航线如何各自分开。留一个思考题:如果障碍物实时移动,A* 之外还需要哪些配合——是速度预测,还是更高的重规划频率?
登录后查看全文