一、历史背景

　　无人机最早在20世纪20年代出现，当时是作为训练用的靶机使用的，是一个许多国家用于描述最新一代无人驾驶飞机的术语。1945年，第二次世界大战之后将多余或者是退役的飞机改装成为特殊研究或者是靶机，成为近代无人机使用趋势的先河。随着电子技术的进步，无人机在担任侦查任务的角色上开始展露他的弹性与重要性。随着研究的深入，无人机开始逐步扮演各种空战角色，如：无人侦察机可以绕过敌方的雷达威胁区而获得重要的军事情报。1982年以色列航空工业公司(IAI)首创以无人机担任其他角色的军事任务。以色列国防军主要用无人机进行侦察，情报收集，跟踪和通讯。20世纪90年代后，西方国家充分认识到无人机在战争中的作用，竞相把高新技术应用到无人机的研制与发展上。

　　早期的无人机都是按照地面任务规划中心预先计算并设定好的航路飞行，因此一旦在既定航路段出现新的威胁，无人机将束手无策，无人机航路规划无疑成为无人机导航任务中最重要的任务之一。

　　二、研究意义

　　无人机航路规划是指在特定约束条件下,寻找从起始点到目标点并满足无人机性能指标的最优或可行的航路。其问题本质是多约束条件下，多目标函数求极值的优化问题。规划出满足任务要求、导航、安全性等约束的较优航路，对提高无人机的武器系统性能有重要意义。通过对无人机航路规划的研究，对无人机航路规划问题进行了概括和总结，阐述了无人机航路规划的框架结构以及静态全局规划和动态局部规划方法的研究现状。分析了近年来常用的几种规划算法，在此基础上，对今后的研究方向进行了展望。

　　无人机航路规划主要包括环境信息、飞行约束、航路目标以及航路规划器4部分。

　　根据不同的任务环境，按照环境模型是否实时更新，即无人机飞行环境是否确定,航路规划可分为静态全局航路规划和实时的局部航路规划。静态全局航路规划根据无人机飞行环境的确定信息，在无人机离线状态下进行规划设计，然后把预先规划好的最优路径装载在无人机上，无人机自动驾驶沿预定航线飞行。这一过程一般在无人机起飞前完成,实时性要求不高,因而可以采用的规划算法比较宽。实时局部航路规划通过传感器对环境变化的反馈更新后，在相应时间内对航路进行规划设计，这种规划实时性要求高，是提高无人机的生存概率的一种最有效的手段。按照实时性要求，可分为强实时规划算法和弱实时规划算法。

　　近年来，无人机实时航路规划技术的研究在国内明显加强，但距实时规划要求还有较大的差距。

　　三、无人机航路规划建模

　　3.1 图形环境模型

　　基于图形的航路规划方法中,首先根据一定的规则将飞行环境表示成由一系列飞行航路组成的网络图，然后根据特定的评价函数对网络图进行航路搜索，最后得到连接起始点和目标点的“最优”航路。构造可飞航路的方法有多种,其中典型的方法有切线图法、Voronoi图法和PRM（Probabilistic RoadmapPlanner）法。切线图法是用威胁的切线表示可飞航路，构造出的可飞航路图是最短航路图。这种方法构造出来的航路几乎接近威胁，其缺点是在无人机飞行过程中出现位置偏差就很易被敌方发现。Voronoi图则是根据地面威胁的分布情况依次做出相邻两威胁的中垂线，垂线可以根据威胁等级适当的向低等级威胁靠近，从而形成围绕各威胁的多边形，多边形的边就是所有可飞的航路，其宽度可以适当选取从而形成所谓的安全走廊。然后通过搜索算法，得到“最优”的飞行航路。当威胁分布均匀时这种方法显得非常有效。PRM（Probabilistic Roadmap Planner）法的优点是可以针对不同的环境特征采用不同的采样方式，在航路质量和构造时间上可以权衡，构造的时间越长得到最优的航路的可能性越大。当飞行环境变化时，PRM方法需要重新对环境进行采样分析，实时性不强，一般不用于实时的局部航路规划。在实时航路规划时，这几种方法都需要重新构造航路图。

　　3.2 栅格环境模型

　　栅格法将无人机的飞行环境分为一系列具有二值信息的大小相同或不同的单元格，其中的一些单元格为不可飞单元，其他的为可飞单元。每个栅格的信息可以用结构体类型定义。这一方法的关键在于栅格大小的选取，栅格大小直接影响信息的存储量的大小和规划时间的长短。栅格大,信息存储量减小，规划时间短，但是航路质量下降。栅格小，信息存储量大，规划时间长，航路质量高。针对这一问题，往往对威胁密集的环境进行单元格细分，而对稀疏环境单元格大小适当放大。栅格法的实现简单，当环境更新时能够做出快速的对局部栅格信息进行更新以满足实时规划要求，近来被广泛采用。

　　3.3 威胁模型

　　航路规划中的关键问题在于地形信息和威胁源信息的获取与处理，这些信息的获取及处理的准确度直接决定了航路规划的质量。这类信息一般通过卫星遥感技术和其他情报手段获得。由于航路规划大部分工作由计算机自动完成，对于地形信息，需要建立数字地形数据库，即电子地图的形式来表示地形。航路规划系统必须对地形特征做出分析，根据地形数据来确定无人机的可飞区及飞行高度。同时需要从威胁源信息中分析出敌方防御系统的雷达探测区、火力杀伤范围和相应的地形遮蔽区，并将其填入地形数据库中。威胁模型分为地形威胁模型、雷达威胁模型以及大气威胁模型。

　　四、无人机航路规划算法

　　航路规划算法可以分为传统经典算法和现代智能算法两大类。其中，前者主要包括动态规划法、导数相关法、最优控制法;后者主要包括启发式寻优搜索、遗传算法、人工神经网络、群体智能(主要包括蚁群算法、粒子群算法、蜂群算法)等。上述这些方法所要解决的问题都是大范围航路规划过程中巨大的信息存储量和全局最优之间的矛盾,现在这方面仍然还有许多工作要做。

　　4.1 动态规划算法

　　动态规划是分阶段决策过程的最优化的一种数学方法。使用这种方法的无人机航路规划要求构造的航路图分为各级的连接,并最终归结于目标点。每一级的航路代价由特定的评价函数给出，然后按照分阶段决策规则寻找最优的航路。这种方法在无人机高空作业并且威胁单一的情况下得到了良好的效果。

　　4.2 启发式算法

　　启发式方法是指通过寻求一种能产生可行解的启发式规则，找到问题的一个最优解或近似最优解。该方法求解问题的效率较高，但是对每一个所求的问题必须找到特有的启发式规则，启发式规则没有通用性。这一方法的典型有A*法，以及各种改进A*算法。A*算法是利用问题拥有的启发信息来引导搜索，达到减少搜索范围，降低问题复杂度的目的。

　　无人机航路规划问题应用中，启发式项采用当前节点于目标节点的欧式距离能够得到较好的效果。启发式项在满足小于实际的耗费值的前提,越接近实际耗费值越能提高搜索效率。传统的A*算法存在搜索速度慢和耗内存空间大的缺陷。曾佳等人通过结合无人机的飞行约束,将前项搜索点限制在一定的范围，提出了基于五叉树的A*搜索算法。Szczerba等人为了加快搜索过程和节省内存空间，通过分区搜索并结合飞行约束削减搜索节点，提出了稀疏A*算法。Bander为提高A*算法的搜索速度，引入了经验知识和人工干预，提出了自适应A*算法。S.Al-Hasan等采用栅格的形式构造飞行环境，采用A*算法进行搜索，评价函数由威胁、距离、机动能力的加权和以及启发式项构成。并且评价函数中使用了人工智能的模糊技术，针对环境的变化可以调整权系数，对动态环境有较高的适应性。

　　4.3 遗传算法

　　遗传算法是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法，可用于复杂系统优化的具有鲁棒性的搜索算法。强调利用概率转换规则来引导搜索过程。遗传算法通过染色体的复制、交叉、变异得到新的个体，并对个体性能进行评估，从而得到最优的符合要求的个体。但是由于无人机航路规划存在时间上和计算机资源的约束，遗传算法会出现早熟现象，得不到全局的最优解。JurisVagners等通过采用多种群并发计算,通过竞争机制优选的思想来解决遗传算法的早熟现象。遗传算法的关键在于对群体的编码，Michalewicz经过大量的实验表明使用浮点数编码比二进制编码在CPU计算时间上更加有效。初始群体的选取应具有多样性，使得规划空间的每一个体都有机会参与进化。Changwen Zheng等用导航点的坐标信息以及一位校验位对航路进行实值编码，结合航路的约束条件以及评价函数对航路群体进行分析,然后采用自设定的几种遗传算子对群体进行操作，得到了较好的结果。蚁群算法则是一种由于受自然界生物的行为启发而产生的“自然”算法，通过跟踪蚂蚁的生物信息激素来决定后续行为的算法,根据信息素的强弱决定航路的优劣。此方法关键在于信息素的调整。

　　4.4 元胞蚂蚁算法

　　蚁群算法是受自然界中真实蚁群的集体觅食行为的启发而发展起来的一种基于群体的模拟进化算法，属于随机搜索算法。蚁群算法是最新发展的一种模拟昆虫王国中蚂蚁群体智能行为的仿生优化算法，该算法利用生物信息素作为蚂蚁选择后续行为的依据，并通过蚂蚁的协同来完成寻优过程。蚁群算法具有较强的鲁棒性、优良的分布式计算机制、易于与其他方法相结合等优点。

　　五、未来与展望

　　无人机的任务规划系统给无人机制定飞行计划,分配飞行任务。对使用无人机完成预定任务计划具有十分重要的作用。而任务规划系统中最重要的一部分就是航路规划。任务规划系统制定无人机的任务，航路规划系统引导无人机如何选择合适的航路去完成任务。因此航路规划的研究对于提高无人机的执行任务的效率有重要的意义。

　　随着无人机所要执行任务越来越复杂，环境的不确定性，对航路规划的要求也将越来越高。不确定环境下的实时航路规划将是未来的研究重点，首要解决弱实时的航路规划，其次要解决战术级的强实时的航路规划问题。当一种方法无法满足航路规划要求时，高效的全局搜索方法和局部搜索方法的混合使用将是一种趋势。