第3章航迹规划基础

第3章航迹规划基础：问题定义、约束条件与空间建模

各位同学，今天我们正式进入航迹规划的核心地带。说实话，很多新手一上来就盯着算法看，结果代码跑通了，飞机却飞不起来。为什么？因为连问题都没定义清楚。

我个人习惯，做任何规划之前，先问三个问题：我们要解决什么问题？有什么限制？在什么空间里找答案？ 这三点搞明白了，后面的事情就顺了。

3.1 航迹规划问题定义

航迹规划，说白了就是：在满足一堆约束条件的前提下，找一条从起点到终点的最优路径。这里的“最优”可能是距离最短、油耗最少、威胁最小，或者综合起来最划算。

我遇到过不少团队，上来就追求“全局最优”，结果计算量爆炸，飞机都落地了还没算完。你想想看，实际工程中，我们往往需要的是“足够好且算得快”的路径。

一个标准的航迹规划问题，通常包含以下要素：

起点与终点：无人机起飞点和任务目标点
规划空间：三维环境，包含地形、障碍物、禁飞区
性能指标：航程、时间、能耗、威胁暴露度等
约束条件：动力学、防撞、通信等（下面会细讲）
输出结果：一系列航点坐标，或者连续的轨迹曲线

核心公式（简化版）：

min J = w1 * L + w2 * T + w3 * E
s.t. 动力学约束
     防撞约束
     通信约束

其中 J 是总代价，L 是航程，T 是时间，E 是能耗，w1、w2、w3 是权重系数。权重怎么调？嗯，这得看具体任务——侦察任务可能更看重时间，运输任务可能更看重能耗。

3.2 约束条件：飞得起来，撞不上，连得上

约束条件就是“红线”，碰了就出事。我把它分成三类，每一类都有血泪教训。

3.2.1 动力学约束

无人机不是质点，它有物理极限。你规划出来的路径，飞机得能飞出来才行。

最大转弯半径：固定翼无人机转弯需要半径，太小了会失速。我见过有人规划出直角转弯的路径，结果飞机直接螺旋下坠……
最大爬升/俯冲角：垂直方向也有极限，尤其是多旋翼，爬升太快电机可能过载
速度范围：有最小速度（失速速度）和最大速度（结构限制）
加速度限制：急加速急减速，电机和电池都受不了

避坑指南：我曾经在项目中忽略了最小转弯半径，结果仿真完美，实飞时飞机在第一个弯就失控了。后来我学乖了，规划完路径后，先用运动学模型仿真一遍，看看飞机能不能跟得上。

3.2.2 防撞约束

这个好理解——不能撞山、撞楼、撞其他无人机。但在多无人机协同中，防撞约束要分两层：

静态障碍物：地形、建筑物、禁飞区。通常用膨胀法处理，把障碍物边界往外扩一个安全距离
动态障碍物：其他无人机、飞鸟、临时闯入的飞行器。这需要实时检测和避让

多机协同中，机间防撞是最头疼的。我记得有一次做3架无人机编队，两架飞机在交叉点差点撞上，距离只有5米——还好有备用避撞逻辑。从那以后，我强制要求机间安全距离至少是机身长度的3倍。

3.2.3 通信约束

这个很多人容易忽略。无人机之间、无人机与地面站之间，通信不是无限的。

通信距离：超出范围就失联，数据链会断开
通信带宽：传图像、传状态信息，带宽有限，不能什么都传
通信延迟：尤其是卫星通信，延迟可能几百毫秒，协同控制要考虑这个
通信拓扑：是星型、网状还是链式？不同拓扑对路径规划影响很大

注意：通信约束往往是“软约束”——断了不会立刻坠毁，但任务会失败。我建议在规划阶段就把通信质量作为代价函数的一部分，而不是简单的“通/不通”二值判断。

3.3 规划空间建模：把现实世界装进计算机

现实世界是连续的、复杂的，但计算机只能处理离散的、结构化的数据。所以我们需要空间建模——把环境抽象成计算机能理解的形式。

常用的方法有两种：栅格法和Voronoi图法。我分别讲讲。

3.3.1 栅格法

栅格法最直观——把空间切成一个个小格子。每个格子标记为“可通行”或“不可通行”。

优点：简单、直观、容易实现。A*算法、Dijkstra算法都能直接用
缺点：精度和计算量矛盾。格子小了，计算量爆炸；格子大了，路径不精确
适用场景：二维平面、障碍物规则的环境

我个人的经验：栅格大小取无人机机身长度的1.5倍左右比较合适。太小了没必要，太大了容易漏掉窄通道。

// 栅格法伪代码示例
struct Grid {
    int x, y, z;        // 栅格坐标
    bool is_obstacle;   // 是否障碍物
    double cost;        // 通行代价
};

// 初始化栅格地图
Grid map[100][100][50];
for (int i = 0; i < 100; i++)
    for (int j = 0; j < 100; j++)
        for (int k = 0; k < 50; k++) {
            if (is_inside_obstacle(i, j, k))
                map[i][j][k].is_obstacle = true;
            else
                map[i][j][k].is_obstacle = false;
        }

3.3.2 Voronoi图法

Voronoi图法更聪明一些。它把障碍物当作“种子点”，然后生成一系列多边形区域。每个区域内的点到对应障碍物的距离最近。

优点：生成的路径天然远离障碍物，安全性高；节点数少，计算快
缺点：路径不一定最优，可能绕远路；对动态环境适应性差
适用场景：障碍物稀疏、需要快速生成安全路径的场景

我记得在某个项目中，我们用Voronoi图做初始路径规划，然后用B样条曲线平滑，效果出奇的好——既保证了安全，又兼顾了飞行品质。

两种方法对比：

特性	栅格法	Voronoi图法
空间表示	离散网格	连续多边形
计算复杂度	O(n³) 随分辨率指数增长	O(m log m) m为障碍物数量
路径质量	锯齿状，需平滑	较平滑，但可能绕路
动态环境	易更新	需重建
工程推荐	室内、结构化环境	野外、稀疏障碍物

3.4 本章知识体系总览

下面这张图是我自己画的，把本章的核心逻辑串起来了。你仔细看一遍，应该能对航迹规划基础有个整体认识。

3.5 小结

这一章我们讲了三个核心问题：

问题定义：明确目标、指标和输出
约束条件：动力学、防撞、通信，一个都不能少
空间建模：栅格法简单粗暴，Voronoi图法聪明高效，看场景选

嗯，说实话，这些基础概念看起来简单，但真正用好需要大量实践。我见过太多人把栅格法用在了不适合的场景，结果路径规划出来根本没法飞。也有团队把Voronoi图法玩出了花，配合曲线平滑，效果堪比老司机手动规划。

下一章我们会深入具体的规划算法，但前提是——你得把今天这些基础吃透。否则，算法再花哨，也是空中楼阁。

课后小作业：找一张你所在城市的地图，用栅格法手动划分一下，看看哪些区域是障碍物，哪些是可通行区域。然后想想，如果用Voronoi图法，结果会有什么不同？

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录