基于李群的混合优化框架用于使用 L-VGWO 的多目标无人机路径规划

在复杂环境中为无人机规划更智能的飞行路径

当无人机被派往危险环境——比如火灾现场、灾区或人口密集的城市——它们必须找到不仅安全且短，同时也平滑和稳定的路径。突然的转向或晃动会破坏摄像头读数，甚至导致坠机。本文提出了一种新的三维无人机路径规划方法，能够在复杂环境中保持载具的位置与姿态良好受控，同时采用一种受动物群体行为启发的强大搜索策略。

在曲面世界上绘制曲线轨迹

大多数路径规划器将无人机的运动视为普通的平直空间，并用简单的角度三元组来指定姿态。这种方法在无人机需要大幅旋转时会失效，导致尴尬的翻转和姿态的突变。作者改为借用现代机器人学与力学中的更几何化描述：把路径上的每一步表示为在一个自然描述三维刚体运动的数学结构中对位置和姿态的小变动。通过将这些小变动串联起来，该方法构建出一个连续的路径，使无人机的位姿平滑演化，避免角度奇异或不连续。

在安全、平滑与精确之间取得平衡

真实任务要求远不止到达目标：无人机必须规避障碍、精确达到所需位置与朝向，并以机载传感器与执行器能够承受的方式运动。为此，作者将若干需求合并为对任一候选路径的总体评价分数。该分数惩罚未能达到期望的终点位置或朝向，同时也衡量无人机在相邻点间姿态与速度变化的平缓程度。额外的惩罚项阻止过近飞越墙壁或物体以及不必要的绕行。通过调整这些成分的相对权重，规划器可根据任务侧重安全、平顺运动或定位精度。

让“狼”与“秃鹫”共同搜索

在这种几何表示下寻找最优路径是一个困难的问题，因为沿路的早期选择会向前扩散并以复杂方式相互作用。作者并未依赖基于微积分的方法，而是设计了一种混合搜索算法，模拟动物群体的狩猎行为。方法的一部分受秃鹫启发，广泛游走以探索搜索空间的新区域；另一部分以灰狼群为模型，专注于围拢并收紧有希望的选项。在每一轮中，秃鹫式步骤提出大胆的路径变更，狼式步骤随后对这些候选解进行局部精修。一个额外机制将较弱的候选解轻柔地拉向当前最优解簇，增强集中性而不至于过早陷入局部最优。

将方法付诸检验

研究人员在模拟的三维环境中对其框架进行了测试，环境中布满球形、圆柱形和盒状障碍。无人机必须从固定的起点飞往目标位置，并以不同的终点航向结束。他们将所提出的混合方法 L-VGWO 与若干著名的群体启发式优化器以及使用传统角度表示的版本进行比较。在几何表示下，所有算法均表现更好，但混合方法尤为突出：它找到更短、更安全、更平滑的路径，收敛更快，并表现出更稳定的速度曲线。大量重复运行的统计检验证实，其优势并非偶然，而是确实性能更优。

这对现实世界无人机任务意味着什么

简言之，这项工作展示了如何将更贴近真实的无人机运动描述与巧妙的搜索策略结合起来，从而获得既安全又可飞行的航线。通过由小而良构的位姿变动构建路径，该方法避免了突然的扭转和急转；通过采用受狼与秃鹫启发的协同搜索，它高效发现既能避开障碍又能满足严格终点要求的路线。尽管在仿真中演示，该方法为更可靠的自主无人机指明了方向，使其能在诸如精密检测或应急响应等苛刻的三维任务中导航，同时不牺牲稳定性与安全性。

引用: Wang, Y., Guo, C., Shao, Y. et al. A Lie group-based hybrid optimization framework for multi-objective UAV path planning using L-VGWO. Sci Rep (2026). https://doi.org/10.1038/s41598-026-46462-5

关键词: 无人机路径规划, 无人机导航, 元启发式优化, 轨迹平滑性, 障碍物规避