基于改进RRT与GA的多目标路径规划——以无人机林区巡检为例

摘要

【目的】为解决无人机在人工林区巡检任务（如病虫害监测、火灾预防等）中的路径规划问题，即求解巡检点的最优遍历序列以及生成避障飞行轨迹，本文通过融合改进快速随机扩展树（RRT）算法和遗传算法（GA），提出一种多目标路径规划算法。【方法】首先改进传统GA，使其能够在三维空间中遍历所有巡检点并求解最优序列。其次，依据该序列进行路径搜索，改进RRT算法的随机采样原理，通过靶心和绕树策略实现避障效果，并采用连续选择父节点策略，取消因避障产生的多余转折点。最后，通过3次B样条曲线优化，生成最终路径。【结果】仿真结果表明，本算法能够在复杂林区环境中遍历所有巡检点，并在短时间内规划出高质量、无碰撞的路径。与粒子群算法（PSO）、蚁群算法（ACO）和RRT算法相比，当巡检点从3个增加到9个时，PSO、ACO、RRT算法搜索时间分别增加了221.77%、332.42%、184.78%，而本算法仅增加了102.35%。在9个巡检点的复杂环境中，本算法的路径耗散分别比PSO、ACO和RRT算法降低了14.46%、30.28%、24.76%，且路径质量显著提高，消除了路径交叉重合现象。此外，通过ROS平台，利用无人机在林区点云上进行模拟飞行并验证成功，证明本算法适用于林区巡检的多目标路径规划。【结论】针对人工林区无人机巡检任务中的飞行路线规划问题，本文通过改进RRT与GA，成功规划出一条遍历所有巡检点且避开林区障碍物的无碰撞路径。相较于PSO、ACO和RRT算法，本算法在路径质量、路径耗散和搜索时间上均表现出显著优势。

关键词

多目标优化 / 路径规划 / 快速随机扩展树(RRT) / 遗传算法(GA) / 无人机 / 粒子群算法(PSO) / 蚁群算法(ACO)