低空经济和无人机路径规划的一些思考

“奇肱国制飞车，游行半空，日可万里。”——《山海经·海外西经》

市场动态

11月29日，宁德时代投资的峰飞航空2吨级eVTOL成功首飞；同日，览翌航空研制的客运eVTOL LE200全尺寸工程样机总装下线交付。

11月27日，《合肥市支持低空经济发展若干政策实施细则》发布；舟山市政府也于日前印发《舟山市人民政府关于推动低空经济产业发展的若干意见》。

与此同时，继获批全国民用无人驾驶航空试验区后，石家庄装备制造产业园又成功获批华北地区最大无人机试飞空域，面积约600平方公里，使用高度4000米以下。此举意味着，无人机飞行的空域受限问题得以解决。

而在AI+低空经济层面，11月底，国内首个“低空大脑”1.0版在深圳发布。作为全国首个将市域级低空空域数字化，可融合城市级CIM底座与智算算力的低空管理与服务操作系统，是目前人工智能赋能低空经济的深度应用之一。

动机

无人机被广泛用于分析风险和在不危及人类生命的障碍环境中的危险任务。无人机不需要人类的干预，所以如果它受到敌人的攻击，人类也不会有损失。但现在，许多无人机需要人类互动来监督、控制和监测各种操作。在人类操作者决策的参与下，无人机无法按预期执行目标任务。因此，要求无人机有能力自己做出安全路径的决定。为了进行自我决策，无人机需要参考路径规划技术。无人机在三维环境中的路径规划有许多问题和不确定因素。因此，要想为无人机获得一条现实的路径，所有的因素（路径长度、最优性和完整性）都应该被考虑到。通过使用路径规划技术，不仅可以发现一条最佳的、无碰撞的路径，而且还可以使路径长度、旅行时间和能源消耗最小化。

无人机全局规划的阶段

预处理阶段： 在有障碍物′O′的工作空间′W′上画出节点（点）和边（线）。然后，应用配置空间（c-space）的概念来描述W上的U和O。其中配置空间是指将工作空间进行转换，将机器人转化为一个质点，同时将障碍物按照机器人的体积进行膨胀，这样的进行路径规划时，就可以将机器人当作一个质点来处理

查询阶段： 从路径的起点到目标点进行节点的搜索，节点应该满足避开障碍物、路径长度小、时间上要短等，对于特定的约束，还需要满足约束的限制。这一阶段有很多路径规划的方法，如基于图搜索的Dijkstra、A等，基于随机采样的RRT、RRT及其变种方法都可以用于无人机寻找最优路径得到一系列途径点，连接这些途径点即可得到一条规划路线。

轨迹优化： 第二阶段得到路径存在不够平滑、靠近障碍物、能源消耗大等问题，进行二次的途径点轨迹优化，可以使得到的路径适合无人机自主移动、远离障碍物、避免转弯时停下来、避免速度、高阶动力学状态的突变。轨迹优化的方法有Minimum Snap、B-spline、贝塞尔曲线、等式不等式约束、安全走廊约束等

无人机通信： 将得到的路线写入无人机或与服务器实时双向通信，控制无人机不断飞过途径点直至抵达目标点

无人机路径规划中的挑战

安全性： 无人机在飞行过程中对障碍物的避开，以及对未知障碍物的闪避都具有非常大挑战性。

最优性： 生成的路径应该具有时间效率高、路径长度短、能源消耗少。

在线生成轨迹的能力： 面对复杂环境或者窄缝，要求无人机能够及时的更改路径来应对当前环境或者说应当动态障碍物能够及时避开。

平滑性： 这对于无人机动态可行是不可或缺的，这要求对于算法的近一步改进，生成更适合无人机飞行的平滑路径。

全局算法和局部算法

全局路径规划是在已知的环境中，给无人机规划一条路径，路径规划的精度取决于环境获取的准确度，全局路径规划可以找到最优解，但是需要预先知道环境的准确信息，当环境发生变化，如出现未知障碍物时，该方法就无能为力了。它是一种事前规划，因此对机器人系统的实时计算能力要求不高，虽然规划结果是全局的、较优的，但是对环境模型的错误及噪声鲁棒性差。

局部路径规划则环境信息完全未知或有部分可知，侧重于考虑无人机当前的局部环境信息，让无人机具有良好的避障能力，通过传感器对机器人的工作环境进行探测，以获取障碍物的位置和几何性质等信息，这种规划需要搜集环境数据，并且对该环境模型的动态更新能够随时进行校正，局部规划方法将对环境的建模与搜索融为一体，要求机器人系统具有高速的信息处理能力和计算能力，对环境误差和噪声有较高的鲁棒性，能对规划结果进行实时反馈和校正，但是由于缺乏全局环境信息，所以规划结果有可能不是最优的，甚至可能找不到正确路径或完整路径。

两者协同工作，无人机可更好的规划从起始点到终点的飞行路径。

A*算法

A*算法是全局启发式搜索算法，是一种尽可能基于现有信息的搜索策略，也就是说搜索过程中尽量利用目前已知的诸如迭代步数，以及从初始状态和当前状态到目标状态估计所需的费用等信息。

A*算法在选择下一个被检查的节点时考虑来之前花费代价，同时使用到目标距离作为引导，两者之和作为评价该节点处于最优路线上的可能性的量度，这样可以首先搜索到位于最优路径上可能性大的节点。

A算法的基本思想如下：引入当前节点j的估计函数 $f^$ ,当前节点j的估计函数定义为：

$f^(j)= g(j)+h^(j)$

其中 $g(j)$ 是从起点到当前节点j的实际代价的量度， $h^(j)$ 是从节点j到终点的最小消耗的估计，可以依据实际情况，选择 $h^(j)$ 的具体形式， $h^(j)$ 要满足一个要求：不能高于节点j到终点的实际最小费用。从起始节点点向目的节点搜索时，每次都搜索 $f^(j)$ 最小的节点，直到发现目的节点。

无人机路径规划现状

整体以局部规划为主，全局规划为辅

局部规划：主要需要相关硬件设备、算法和仿真软件，以视觉避障或激光避障为主，通过传感器对机器人的工作环境进行探测，以获取障碍物的位置和几何性质等信息，这种规划需要实时采集环境数据，并且对该环境模型的动态更新能够随时进行校正，局部规划方法将对环境的建模与搜索融为一体，要求机器人系统具有高速的信息处理能力和计算能力，对环境误差和噪声有较高的鲁棒性，能对规划结果进行实时反馈和校正，但是由于缺乏全局环境信息，所以规划结果有可能不是最优的，甚至可能找不到正确路径或完整路径。

全局规划：主要需要三维地图数据和配套算法用于路径生成，以全局算法规划为主，通过环境规划器对无人机的工作环境进行探测，以获取障碍物的位置和几何性质等信息，这种规划需要搜集环境数据，并将对环境的建模与搜索，代表规划算法主要是A star、RRT（随机采样）算法等等

低空飞行器面临的现实问题

抗风防雨问题

续航问题

飞行稳定性问题

实时避障问题

噪音问题

行人安全问题

corner case处理问题

安全冗余设计问题

飞行器通信问题，涉及基站建设、网络覆盖

在航飞行器统筹规划问题

防干扰、反入侵机制

无人机位置定位

网格位置 grid

本地位置 local

全局位置 global