DOI: https://doi.org/10.1038/s41598-025-92406-w
PMID: https://pubmed.ncbi.nlm.nih.gov/40075166
تاريخ النشر: 2025-03-12
المؤلف: Longyan Xu وآخرون
الموضوع الرئيسي: خوارزميات تخطيط المسار الروبوتي
نظرة عامة
تقدم هذه الورقة البحثية طريقة دمج متعددة الاستراتيجيات جديدة لتخطيط مسار الطائرات بدون طيار (UAV)، تُسمى خوارزمية MSF-MTPO. تتناول هذه الطريقة تعقيدات تخطيط مسارات آمنة وفعالة في البيئات ثلاثية الأبعاد، متغلبة على تحديات مثل المسارات الطويلة، ونقاط الانعطاف الزائدة، وعدم كفاية تجنب العقبات الديناميكية. تتكون الخوارزمية من أربع مراحل رئيسية: تخطيط المسار الأولي باستخدام خوارزمية A* الممتدة التكيفية، وتحسين المسار من خلال طريقة تصحيح نقاط الانعطاف، وتنعيم المسار عبر طريقة الدائرة المماسية المحلية، وتجنب العقبات الديناميكية الموجهة بواسطة مسار تحسين عالمي. تعزز خوارزمية A* التكيفية كفاءة البحث من خلال تعديل الجوار بناءً على توزيع العقبات واستخدام استراتيجية بحث ثنائية الاتجاه لتقليل العقد الزائدة.
تظهر النتائج أن خوارزمية MSF-MTPO تتفوق على العديد من الخوارزميات المتقدمة، بما في ذلك A* المحسنة، وRRT، وPSO، من حيث تكلفة تخطيط المسار وتقليل نقاط الانعطاف عبر سيناريوهات معقدة متنوعة. ومع ذلك، يعترف المؤلفون بأن تجاربهم أجريت في بيئات معروفة، مع خطط للبحث المستقبلي لدمج المعلومات المحلية مع طريقة الحقل المحتمل الاصطناعي لتخطيط المسار السريع في البيئات غير المعروفة والتحقق من النهج من خلال الاختبارات في العالم الحقيقي.
طرق
في هذا القسم، يوضح المؤلفون إعداد التجارب المستخدمة لتقييم الخوارزمية المقترحة. تم إجراء المحاكاة على جهاز كمبيوتر محمول مزود بمعالج Intel® Core™ i5-9300H و16 جيجابايت من ذاكرة الوصول العشوائي، يعمل تحت نظام Windows 10. كانت بيئة البرمجة المستخدمة في التجارب هي MATLAB R2023a، والتي سهلت تنفيذ واختبار الخوارزمية. يوفر هذا الإعداد منصة قوية لتحليل أداء وفعالية الخوارزمية المعنية.
مناقشة
في هذا القسم، يناقش البحث طريقة دمج مبتكرة متعددة الاستراتيجيات لتخطيط مسار الطائرات بدون طيار، والتي تدمج خوارزمية A* ثنائية الاتجاه التكيفية، وتصحيح نقاط الانعطاف، وتجنب العقبات الديناميكية. تعزز خوارزمية A* التكيفية المقترحة كفاءة البحث عن المسار من خلال تعديل الجوار البحثي ديناميكيًا بناءً على توزيع العقبات، مما يؤدي إلى تقليل كبير في طول المسار بنسبة 25.46% مقارنة بالطرق التقليدية ذات الجوار الثابت. كما أن استراتيجية البحث ثنائية الاتجاه تعزز عملية البحث من خلال استكشاف النقاط من البداية والنقاط المستهدفة في وقت واحد، مما يقلل من عدد العقد المقطوعة ويحسن كفاءة وقت التشغيل بشكل عام.
بالإضافة إلى ذلك، يقدم البحث طريقة لتصحيح نقاط الانعطاف في المسار المخطط، مما يقلل من نقاط الانعطاف غير الضرورية وبالتالي يقلل من إجمالي زاوية التوجيه واستهلاك الموارد. يتم استخدام تقنية تنعيم الدائرة المماسية المحلية لتحسين المسار مع ضمان بقائه خاليًا من العقبات. تظهر النتائج أن الطريقة المقترحة تتفوق بشكل كبير على الخوارزميات الحالية، حيث تحقق تقليلًا في نقاط الانعطاف يصل إلى 96.76% وانخفاضًا في طول المسار بنسبة 35.60%، مما يوفر حلاً قويًا لتخطيط مسار الطائرات بدون طيار في البيئات المعقدة. إن دمج هذه الاستراتيجيات لا يعزز كفاءة المسار فحسب، بل يضمن أيضًا السلامة في السيناريوهات الديناميكية.
القيود
يناقش قسم القيود القيود التي تؤثر على الحد الأقصى لسرعة الطيران للطائرات بدون طيار (UAVs). تشمل العوامل الرئيسية الضغط الديناميكي ($V_{\text{max}-q}$)، وعامل الحمل العادي ($V_{\text{max}-n}$)، وعامل الحمل العادي المعدل لزاوية الهجوم ($V_{\text{max}-nz}$)، ونصف قطر الدوران ($V_{\text{max}-Q}$). يتم تحديد الحد الأقصى لسرعة الطيران من خلال الحد الأدنى من هذه القيم، المعبر عنها رياضيًا كـ $V_{\text{max}} = \min(V_{\text{max}-q}, V_{\text{max}-n}, V_{\text{max}-nz}, V_{\text{max}-Q})$.
بالإضافة إلى ذلك، فإن الحد الأدنى لسرعة الطيران ($V_{\text{min}}$) أمر حاسم للحفاظ على الطيران المستقر، مما يضمن أن الرفع يساوي القوة الجاذبية. يجب أن تلبي سرعة تشغيل الطائرة بدون طيار الشرط $V_{\text{min}} \leq V_i \leq V_{\text{max}}$، حيث يمثل $V_i$ سرعة الطيران الفعلية. هذه القيود ضرورية لضمان أداء وسلامة الطائرة بدون طيار أثناء التشغيل.
DOI: https://doi.org/10.1038/s41598-025-92406-w
PMID: https://pubmed.ncbi.nlm.nih.gov/40075166
Publication Date: 2025-03-12
Author(s): Longyan Xu et al.
Primary Topic: Robotic Path Planning Algorithms
Overview
This research paper presents a novel multi-strategy fusion method for Unmanned Aerial Vehicle (UAV) trajectory planning, termed the MSF-MTPO algorithm. The approach addresses the complexities of planning safe and efficient paths in three-dimensional environments, overcoming challenges such as lengthy paths, excessive inflection points, and inadequate dynamic obstacle avoidance. The algorithm comprises four key stages: initial trajectory planning using an adaptive extended neighborhood A* algorithm, trajectory optimization through an inflection point correction method, trajectory smoothing via a local tangent circle method, and dynamic obstacle avoidance guided by a global optimization trajectory. The adaptive A* algorithm enhances search efficiency by adjusting the neighborhood based on obstacle distribution and employing a bidirectional search strategy to minimize redundant nodes.
The results demonstrate that the MSF-MTPO algorithm outperforms several advanced algorithms, including improved A*, RRT, and PSO, in terms of trajectory planning cost and the reduction of inflection points across various complex scenarios. However, the authors acknowledge that their experiments were conducted in known environments, with plans for future research to integrate local information with the artificial potential field method for rapid trajectory planning in unknown environments and to validate the approach through real-world testing.
Methods
In this section, the authors detail the experimental setup utilized to evaluate the proposed algorithm. The simulations were conducted on a notebook computer featuring an Intel® Core™ i5-9300H processor and 16GB of RAM, operating under Windows 10. The programming environment employed for the experiments was MATLAB R2023a, which facilitated the implementation and testing of the algorithm. This setup provides a robust platform for analyzing the performance and effectiveness of the algorithm in question.
Discussion
In this section, the research discusses an innovative multi-strategy fusion method for UAV trajectory planning, which integrates an adaptive neighborhood bi-directional A* algorithm, inflection point trajectory correction, and dynamic obstacle avoidance. The proposed adaptive A* algorithm enhances pathfinding efficiency by dynamically adjusting the search neighborhood based on the distribution of obstacles, leading to a significant reduction in path length by 25.46% compared to traditional fixed neighborhood approaches. The bidirectional search strategy further optimizes the search process by simultaneously exploring from both the start and target points, thereby reducing the number of nodes traversed and improving overall runtime efficiency.
Additionally, the paper introduces a method for correcting inflection points in the planned trajectory, which minimizes unnecessary turning points and thereby reduces the total steering angle and resource consumption. The local tangential circle smoothing technique is employed to refine the trajectory while ensuring it remains obstacle-free. The results demonstrate that the proposed method significantly outperforms existing algorithms, achieving a reduction in inflection points by up to 96.76% and a decrease in trajectory length by 35.60%, thus providing a robust solution for UAV path planning in complex environments. The integration of these strategies not only enhances path efficiency but also ensures safety in dynamic scenarios.
Limitations
The section on limitations discusses the constraints affecting the maximum flight speed of Unmanned Aerial Vehicles (UAVs). Key factors include dynamic pressure ($V_{\text{max}-q}$), normal load factor ($V_{\text{max}-n}$), normal load factor adjusted for angle of attack ($V_{\text{max}-nz}$), and turn radius ($V_{\text{max}-Q}$). The maximum flight speed is determined by the minimum of these values, expressed mathematically as $V_{\text{max}} = \min(V_{\text{max}-q}, V_{\text{max}-n}, V_{\text{max}-nz}, V_{\text{max}-Q})$.
Additionally, the minimum flight speed ($V_{\text{min}}$) is critical for maintaining stable flight, ensuring that lift equals gravitational force. The operational speed of the UAV must therefore satisfy the condition $V_{\text{min}} \leq V_i \leq V_{\text{max}}$, where $V_i$ represents the actual flight speed. These constraints are essential for ensuring the UAV’s performance and safety during operation.