目录
[一 主要内容](#一 主要内容)
[二 研究背景与意义](#二 研究背景与意义)
[三 相关理论基础](#三 相关理论基础)
[四 运行结果](#四 运行结果)
[五 下载链接](#五 下载链接)
一 主要内容
随着无人机在城市物流配送、航拍测绘等领域应用拓展，密集型复杂城市场景下的三维路径规划愈发关键。该场景障碍物密集、三维空间约束复杂且实时性要求高，传统算法难以满足需求。Q-learning算法作为强化学习方法，无需环境模型、可试错学习，适用于此类场景。本文深入研究基于Q-learning的无人机三维路径规划，合理定义状态空间、动作空间与奖励函数，让无人机自主学习最优路径。实验表明，算法能有效避障，规划出较优飞行路径，具备高成功率与适应性。程序采用matlab编写，注释清楚，运行可靠！
二 研究背景与意义
无人机技术在城市应用广泛，但城市场景复杂，建筑物、信号塔等障碍物密集，飞行空间受限，还需考虑飞行安全、能量消耗等。
传统路径规划算法（如A*、Dijkstra算法）在三维复杂空间计算复杂度高、难适应动态环境，无法满足无人机在城市环境的实时性与最优性需求。
强化学习通过与环境交互学习最优策略，为无人机路径规划提供新思路。Q-learning算法无需环境模型、可试错学习，能根据环境奖励信号调整策略，适合复杂城市场景，研究其在无人机三维路径规划的应用具有现实意义。
三 相关理论基础
四 运行结果
