一種結合霍普菲爾德神經網絡和高斯采樣的新型無人機聯合路徑規劃方法
《Engineering Applications of Artificial Intelligence》：A novel joint path planning method for drones with hopfield neural network and Gaussian sampling
【字體：
大
中
小
】
時間：2026年03月03日
來源：Engineering Applications of Artificial Intelligence 8
編輯推薦：
無人機復雜環境多目標路徑規劃方法研究，提出融合改進NSGA-III算法與人工勢場法的聯合路徑規劃框架，通過Hopfield神經網絡生成初始種群和Gaussian采樣擴展解空間，優化人工勢場引入虛擬路徑點和動態追蹤距離解決局部最優問題，實驗驗證路徑長度縮短67.5%且效率提升12.6%。
王偉|廖宇欣|徐澤全|關俊琦|張國亮|李正陽
浙江科技大學機械工程學院，杭州，310018，中國
摘要
在具有靜態和動態障礙物的復雜環境中確保無人機（UAV）的安全飛行可能是一個巨大的挑戰。因此，提出了一種新的聯合路徑規劃方法，該方法結合了改進的非支配排序遺傳算法（NSGA-III）和改進的人工勢場（APF），具有高計算效率和出色的全局最優搜索能力。為了滿足復雜環境的嚴格要求，構建了包括飛行效率、穩定性和避障在內的三個目標。這種新方法的最大創新特點包括三個方面：1）引入Hopfield神經網絡替代隨機策略來生成NSGA-III的初始種群，可以顯著提高迭代效率；2）設計高斯采樣來創建一個與局部最優解相鄰的新潛在解空間，以指導進一步搜索更好的結果；3）在APF中開發了虛擬路徑點和跟蹤距離，以幫助在動態避障過程中逃離停滯區域。還使用流行的傳統NSGA-III、改進的A?和RRT?算法進行了全面的比較研究。聯合規劃算法分別平均將路徑長度和飛行效率提高了12.6%和67.5%。仿真和實驗驗證了其有效性。
引言
在無人機（UAV）路徑規劃中，主要挑戰包括避障、最大化飛行效率、考慮動態環境變化以及滿足動態約束，這些因素往往相互沖突。在這種情況下，多目標優化變得尤為重要。面對多個優化目標時，單目標優化算法通常通過手動分配權重將這些目標合并為單一優化結果。然而，權重分配并不總是最優的，找到最佳平衡通常需要反復測試。因此，單目標優化算法存在局限性，可能無法產生最佳的整體路徑。相比之下，多目標優化算法生成一組帕累托最優解，可以根據具體任務要求直接選擇所需的解決方案，從而無需為不同任務和環境重新定義權重，大大提高了路徑規劃效率。
在單目標優化方面，Aslan提出了基于目標距離的快速探索隨機樹（GDRRT?）算法，用于在具有障礙物的3D環境中尋找最優路徑。盡管該算法具有魯棒性，但搜索效率較低（Aslan等人，2023年）。Wu通過引入確定性退火策略改進了人工勢場（APF）方法，使其適用于凸形和非凸形障礙物，但其計算效率有限（Wu等人，2023年）。
在多目標優化領域，Luo提出了一種自適應資源分配的多目標優化算法，用于改進無人機和卡車的多目標協同規劃（Luo等人，2023年）。Peng引入了一種動態多目標進化算法，利用預測模型進行實時環境更新和避障（Peng等人，2011年）。Guerrero使用基于Zermelo的旅行商模型優化了微型無人機的能耗和飛行距離，但由于興趣點的經驗設計限制了其在復雜場景中的適用性（Guerrero和Bestaoui，2012年）。
與粒子群優化（PSO）和遺傳算法（GA）等傳統啟發式方法相比，第三代非支配排序遺傳算法（NSGA-III）通過基于參考點的排序策略提高了種群多樣性和收斂速度。因此，NSGA-III被廣泛用于復雜場景的多目標優化。Tavana使用NSGA-III優化了飛行距離、穩定性和無人機數量，并結合了果蠅算法以提高收斂精度，盡管效率仍有限（Tavana等人，2016年）。Goel提出了一種變體，以提高人機協作中的響應敏感性（Goel等人，2018年）。Zhang應用NSGA-III最小化了農業車輛路徑規劃中的導航成本（Zhang等人，2022年）。雖然NSGA-III在無人機和機械臂等系統的多目標優化中得到廣泛應用，但其傳統版本在隨機采樣、低路徑搜索效率和復雜現實世界場景中的動態避障方面存在問題。
在局部動態路徑規劃方面，Aldao開發了一種方法，用于檢測預定義路徑上的未知障礙物，估計它們的移動，并使無人機能夠根據環境變化自主避障（Aldao等人，2022年）。Wakabayashi引入了一種基于模型預測控制（MPC）的機會約束方法，用于管理多個避障約束并防止與高速障礙物碰撞（Wakabayashi等人，2023年）。然而，實時預測會帶來較高的計算成本。
在深度學習引導的無人機自主路徑規劃中，Zhang等人提出了一種基于狀態分解的深度確定性策略梯度算法，用于在地圖網格感知上訓練無人機，并提出了平衡探索和利用的策略（Zhang等人，2024年）。Ma等人通過提出基于自學習的增量跟蹤控制算法，解決了無人機在動態環境中的飛行控制問題，如非線性和位置擾動（Ma等人，2023年）。
總之，對于復雜場景中無人機的多目標路徑規劃：1）現有研究通常關注一兩個優化目標（Guan等人，2021年；Zhu等人，2024年）；2）傳統多目標優化算法的規劃效率較低（Cui等人，2024年；Tang等人，2021年）；3）單一全局路徑規劃算法難以處理動態障礙物，而單一局部算法往往導致路徑較長且效率較低（Aldao等人，2022年；Sonny等人，2023年；Wang等人，2010年）。
為了解決復雜環境中無人機多目標路徑規劃的挑戰，本文提出了一種基于NSGA-III、Hopfield網絡和高斯采樣的聯合全局-局部路徑規劃框架（HG-NSGAIII）。主要貢獻如下：
•具有多個約束的更好的全局路徑規劃算法：該算法結合了Hopfield神經網絡生成初始種群和高斯采樣策略來創建新的解空間，從而提高了傳統NSGA-III的搜索質量和規劃效率。
•改進的人工勢場局部路徑規劃算法：通過引入虛擬路徑點和改進排斥勢場函數，成功解決了傳統人工勢場中存在的局部最小值和不可達目標點問題。
•全局-局部聯合路徑規劃框架：該聯合框架可以在動態環境中平衡路徑的整體最優性和局部可行性，從而提高實際應用中的適應性和魯棒性。
本文的其余部分結構如下。第2節介紹了一些基本概念。第3節介紹了成本函數的設計。第4節描述了對全局路徑規劃算法的創新改進。第5節提出了聯合優化策略。第6節提供了仿真和實驗結果以驗證有效性，第7節進行了總結。
相關工作概述
相關工作的簡要回顧
簡要回顧了與無人機路徑規劃相關的四種關鍵方法——Hopfield神經網絡、高斯采樣、人工勢場和NSGA-III，因為它們可以為比較研究奠定基礎。
(1)Hopfield神經網絡算法
Hopfield神經網絡是一種循環模型，使用能量函數收斂到穩定狀態。它已被應用于無人機路徑規劃，核心公式如下（Kodgule等人，2017年）：
目標函數構建
對于多目標優化，成本函數是關鍵因素。在自主無人機導航中，考慮了三個重要方面，包括飛行效率、安全性和運動/動態可行性。
全局路徑規劃算法
全局路徑規劃算法通過初始Hopfield路徑、解決方案空間的高斯采樣和使用改進的NSGA-III的多目標細化來生成可行的無人機軌跡。
動態障礙物避障的聯合路徑規劃
聯合路徑規劃框架包括改進的APF用于局部障礙物避障、全局和局部軌跡規劃器以及B樣條插值。
仿真和實驗
展示了仿真研究和實際飛行實驗，包括比較分析和實驗驗證。結論
對于具有多目標約束的復雜場景下的無人機軌跡規劃，本文提出了一種基于Hopfield神經網絡和高斯采樣的改進NSGA-III多目標路徑優化方法。主要結論如下：
(1)高效的全局路徑規劃：HG-NSGAIII算法繼承了傳統NSGA-III強大的多目標優化能力。通過引入Hopfield算法和高斯采樣結果替代
CRediT作者貢獻聲明
王偉：寫作——審稿與編輯，撰寫——初稿，監督，方法論，資金獲取。廖宇欣：寫作——審稿與編輯，監督。徐澤全：軟件，資源，調查。關俊琦：可視化，方法論。張國亮：軟件，方法論，概念化。李正陽：軟件，資源，調查。
資金支持
本工作部分得到了國家自然科學基金（編號：52405041）、浙江省重點研發計劃（編號：2023C01180）、國家大學生創新創業訓練計劃（編號：202410338048）和浙江省大學生科技創新計劃（新苗人才計劃）（編號：2024R406A025）的支持。
利益沖突聲明
作者聲明他們沒有已知的財務利益或個人關系可能影響本文所述的工作。
生物通微信公眾號
生物通新浪微博
今日動態 |
人才市場 |
新技術專欄 |
中國科學人 |
云展臺 |
BioHot |
云講堂直播 |
會展中心 |
特價專欄 |
技術快訊 |
免費試用
版權所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
聯系信箱：
粵ICP備09063491號
