無人機在各種任務中發揮著重要作用，例如建築基礎設施檢查和災害環境中的搜尋和救援。 在這些任務中，避免碰撞是無人機運動規劃的關鍵。
已經報道並驗證了許多方法在實際無人機飛行中的有效性。 此外，為了優化電池壽命，無人機系統應盡可能輕。
導航系統在無人機控制中起著至關重要的作用，其過程可分為離線和**兩個階段。 在離線階段，全域性路徑規劃器是不可或缺的核心部件，它決定了無人機從起點到目標區域的飛行路徑。
該規劃器考慮了全球地圖和時空風速資訊，以最大限度地提高能源消耗並建立全球節能路徑。 路徑生成過程使用擴充套件的 A* 演算法。
在**階段，LiDAR的SLAM、本地路徑規劃器和經典的PD控制器構成了主要元件。
其中，基於LiDAR的SLAM演算法採用了A-LoAM的先進實現，主要用於提供無人機的姿態估計和地圖構建。
A-LoAM利用3D LiDAR獲取的點雲資料提取特徵點，並基於3D KD樹實時生成區域性地圖。 在這個過程中，研究的重點是當地的路徑規劃者。
根據全域性規劃器生成的航點，規劃器生成感知的本地路徑。 到達乙個航點後，無人機以水平向後的方式瞄準下乙個航點。
區域性路徑規劃器還使用快速探索隨機樹（RRT*）結合A-LOAM演算法掃瞄的特徵點來量化感知質量，確保飛行的安全和穩定。
新文案：該導航系統的應用在無人機控制中起著重要作用。 通過離線階段的全域性路徑規劃，可以為無人機設計更高效、更節能的飛行路徑，同時考慮地圖和風速等因素。
* 在此過程中，通過雷射雷達的SLAM和區域性路徑規劃，可以實現無人機在實際環境中的感知和控制。 這種組合使無人機能夠成功完成複雜的任務並實現精確的位置控制。
這項研究提供了重要的技術經驗教訓，可以在未來進一步研究和改進，以提高系統的準確性和魯棒性。
我們提出了一種基於半徑為r的超球體和內切十二面體的A*演算法圖，用於無人機在三維空間中的路徑規劃。
與傳統的ASTS方法相比，我們的方法具有更好的效能和可擴充套件性，可以在高維空間中進行隨時間推移的路徑規劃。 然而，在圖構建過程中，搜尋節點的數量呈指數級增長，這需要在計算負擔和最優路徑生成之間進行權衡。
為了解決這個問題，我們選擇了 32 個相鄰節點進行搜尋。 這樣做可以確保從當前節點搜尋的相鄰節點在各個方向上均勻分布，從而更好地考慮風的實際影響。
我們的方法是高效、可擴充套件和實用的，為無人機路徑規劃提供了可靠的解決方案。
這種圖結構的設計特點是限制相鄰節點的數量，以實現節點之間距離的近乎均勻分布。 值得一提的是，所有 32 個相鄰節點都具有相同的 tj 值，因為無人機能夠到達每個相鄰節點，從而確保路徑的連通性。
在 Global Planner 中應用此設計可為無人機路徑規劃提供高效準確的策略，同時考慮到風的影響。 當地規劃者也意識到了這一點。
區域性路徑規劃模組主要由樹生成模組和RRT*演算法的路徑選擇模組組成。 首先，通過RRT*演算法基於當前位置和地圖生成一組候選路徑;
然後，路徑選擇模組根據兩個關鍵指標對每條候選路徑進行評估：一是路徑規劃以地平線撤退迭代，直到無人機到達指定航點; 其次，在每個規劃步驟中，規劃人員根據 A-Loam 估計的地圖和姿態，在預定義的立方區域內執行路徑規劃。
RRT* 演算法應用於樹生成模組，以生成成本優化和避免碰撞的路徑。 在這項研究中，RRT*演算法被進一步擴充套件，以生成乙個候選路徑庫，這種方法類似於在未知區域有效探索無人機。
需要注意的是，如果生成的樹在無人機的跟蹤過程中不夠平滑，則需要動態模型或平滑技術的支援。 在獲得候選路徑後，路徑選擇模組會評估每條路徑上的特徵點，以確定是否能提高姿態估計的準確性，以衡量感知質量。
在每條候選路徑的終點節點處，路徑選擇模組會挑選出無人機能看到的有效特徵點，這樣在每條路徑規劃的起始節點處，掃瞄到的特徵點就會被定義為f。
這種全面的評估和選擇過程有助於確保無人機能夠在當地環境中選擇最佳路徑，並在實際飛行中獲得更好的感知。 為了考慮使用有效特徵點的感知質量，在研究中引入了圓形網格圖的概念，它允許規劃者更有效地處理稀疏點雲資料，類似於稀疏點雲插值（FIF）的處理方式。
此格網由徑向格網和角度格網組成，如果格網中至少有乙個有效要素點，則該格網將被標記為“true”。
衡量感知質量的方法是計算接近無人機的真實網格數量以及這些網格的分布。 圓形網格的思想主要基於兩個觀察：根據研究，LiDAR在測距中的不確定性會導致較大的誤差，因此位於無人機附近的特徵點對於SLAM演算法的姿態估計可能更穩定。
根據研究，在SLAM演算法中使用不同方向的特徵點或約束可以有效防止效能下降。 通過基於圓形網格圖的感知質量計算方法，可以為區域性路徑規劃提供重要資訊，幫助規劃人員做出更明智的決策，從而在飛行過程中實現更準確的位置估計和更高的感知質量。
這種方法已經過建模和討論，並已被證明是有效的。
為了驗證所提框架的有效性，研究人員在離線和**過程中使用了不同的實現方法，其中離線階段使用MATLAB處理，**階段使用機械人作業系統處理。
通過與傳統的反應式路徑規劃器進行比較，本研究突出了所提出的區域性路徑規劃器的優勢。 在實驗過程中，我們測試了三種不同的場景，包括之前研究中逼真的 3D 模型，以全面評估反應式規劃師和提議者規劃師的效能。
由於 LiDAR SLAM 模組的初始化過程和 RRT* 演算法的隨機性，即使使用相同的設定，結果也會因執行而異。
為了全面評估每個計畫員的效能，使用了兩個指標：模擬結果顯示了位置誤差隨飛行路徑和時間的歷史變化，為簡潔起見，僅顯示了三個飛行路徑。
實驗結果清晰地證明了所提框架在不同場景下的優越性能。
新副本：本文總結了能量消耗和飛行時間在能量感知路徑中的表現，包括直接路徑的結果。 無人機直接從起點飛到目標，我們發現路徑是沿著風向量生成的，從而在所有三種情況下都實現了最小的能耗和飛行時間。
但是，當無人機需要向上或側向移動時，它不能根據風向量飛行。 有趣的是，在逆風資料中，我們的規劃器幾乎直接生成了一條通往目標區域的路徑，使無人機能夠顯著減少飛行時間和能源消耗。
這可以通過比較建議路徑和直接路徑的飛行時間來確認。 對於側風，從起點到目標的向量與風向量的方向相反，因此規劃路徑偏離逆風並繞周圍區域（x，y）=（400,200），這導致飛行時間增加，但有效降低了能耗。
遠端飛行表演。
在比較了全球規劃和涼亭模擬的結果後，我們發現實際飛行時間比預期的飛行時間少了約1000秒。 為了解決這個問題，我們調整了權衡因子 a。
特別是對於遠端飛行場景，重量係數A的調整也適用。 我們發現，在兩個航點之間的每個任務中，a 的值都在 [0.] 範圍內。1, 0.4, 0.7]在變體中。
從圖 19 中可以看出，a 與每個航點的能量消耗之間存在明顯的關係。 在航點 1 和 2 之間，感知規劃器的 = 07使無人機保持感知質量，導致能耗增加。
但是當 a 為 0 時1、能耗最小化，這意味著調整A不僅影響姿態估計的準確性，還影響無人機的能耗。 在航點 2 和 3 之間，計畫員的 = 01 由於定位不正確導致飛行失敗。
在航點 3 和 4 之間，規劃者的 = 04 與以前相比，能耗降低了 27%，但導致飛行失敗。 為了規避這一點，我們需要根據航點周圍的環境設定乙個。
在地標性資源豐富的地區，無人機可以通過降低A來有效節約能源消耗。 但是，在無特徵區域，我們建議新增 a 以保持較高的感知質量。
通過調整這個敏感引數，我們的框架可以繪製出區域性節能路徑，同時保持高質量的感知。