针对无人机在三维动态环境下路径规划存在的实时性差、避障精度低、路径平滑性不足等问题，提出一种青蒿素优化算法（Artemisinin Optimization Algorithm, AOA）与动态窗口法（Dynamic Window Approach, DWA）混合的路径规划方法。首先，利用青蒿素优化算法完成全局路径的离线规划；其次，结合动态窗口法进行局部动态避障的在线优化，利用无人机运动学约束筛选速度窗口，保证路径的实时性和安全性；最后，通过三维动态仿真环境验证算法性能。实验结果表明，混合算法在动态障碍物场景下，具备更优的路径长度、避障成功率和实时响应速度，满足无人机三维动态环境下的路径规划需求。
一、引言
无人机在物流配送、电力巡检、应急救援等领域的应用日益广泛，其作业环境逐渐从结构化静态场景向非结构化动态场景拓展。三维动态避障路径规划作为无人机自主导航的核心技术，需要同时满足全局最优性 、局部实时性 和运动安全性三大要求。
传统路径规划方法可分为全局规划和局部规划两类。全局规划方法如A*算法、Dijkstra算法、粒子群算法等，能够生成全局最优路径，但对动态障碍物的响应能力不足；局部规划方法如动态窗口法、人工势场法等，具备较强的实时避障能力，但易出现局部最优或路径震荡问题。因此，将全局规划与局部规划相结合，成为解决三维动态避障问题的主流思路。
动态窗口法基于无人机运动学模型筛选可行速度集，能够快速响应动态障碍物，但缺乏全局路径引导，易导致路径偏离目标。基于此，本文提出AO-DWA混合算法，通过全局路径引导局部避障，实现无人机在三维动态环境下的高效路径规划。
二、相关基础理论
2.1 无人机三维运动学模型
为简化分析，将无人机视为质点，其在三维空间中的运动状态可由位置坐标 (x,y,z)(x,y,z)(x,y,z)
2.2 青蒿素优化算法原理
青蒿素优化算法原文链接：https://blog.csdn.net/weixin_46204734/article/details/142897235
1 Yuan C , Zhao D , Heidari A A ,et al.Artemisinin optimization based on malaria therapy: Algorithm and applications to medical image segmentationJ.Displays, 2024, 84.DOI:10.1016/j.displa.2024.102740.
2.3 动态窗口法原理
动态窗口法的核心思想是在速度空间中搜索最优速度向量，其核心步骤包括：
- 速度窗口采样 ：根据无人机运动学约束，生成可行速度集 VsampleV_{sample}Vsample；
- 轨迹预测：对每个采样速度，预测未来一段时间内的无人机轨迹；
- 评价函数计算：通过评价函数评估每条预测轨迹的优劣，筛选出最优轨迹对应的速度；
- 速度更新：将最优速度作为无人机的当前运动速度，完成局部路径规划。
评价函数包含目标趋近度 、避障安全性 和速度平滑性 三个指标，其表达式为：
G(v,ω)=α⋅heading(v,ω)+β⋅dist(v,ω)+γ⋅velocity(v,ω)G(v,\omega)=\alpha \cdot heading(v,\omega)+\beta \cdot dist(v,\omega)+\gamma \cdot velocity(v,\omega)G(v,ω)=α⋅heading(v,ω)+β⋅dist(v,ω)+γ⋅velocity(v,ω)
其中，α,β,γ\alpha,\beta,\gammaα,β,γ 为权重系数，headingheadingheading 表示轨迹与目标方向的夹角，distdistdist 表示轨迹与障碍物的最小距离，velocityvelocityvelocity 表示轨迹的速度大小。
2.4 混合算法的整体流程
AOA-DWA混合算法的整体流程如下：
- 环境建模：构建三维空间环境模型，输入无人机起点、终点坐标，以及静态障碍物和动态障碍物的初始位置与运动参数；
- 全局路径规划 ：利用青蒿素优化算法生成避开静态障碍物的全局路径，并将路径节点存储为引导点序列；
- 无人机状态感知：无人机通过传感器实时获取自身位置、速度信息，以及动态障碍物的实时位置；
- 局部动态避障 ：以全局路径为引导，采用动态窗口法生成局部避障路径，驱动无人机运动；
- 路径更新与终止判断：无人机每运动一个步长，重复步骤3-4，直至到达终点。
三、仿真实验与MATLAB代码
bash
clc;
clear;
close all;
global model
% Number of runs
model = CreateModel(); % Create search map and parameters
CostFunction=@(x) MyCost(x); % Cost Function
nVar=model.n; % Number of Decision Variables = searching dimension of ACO = number of path nodes
VarSize=[1 nVar]; % Size of Decision Variables Matrix
%% 算法求解
[Fgbest,Xgbest,BestCost,Kk] = AO(pop,M,lb,ub,dim,CostFunction);
%% Plot results
% Best solution
BestPosition = SphericalToCart1(Xgbest);
disp("Best solution...");
BestPosition;
smooth = 0.95;
PlotSolution(BestPosition,model,smooth);
% Best cost
figure;
plot(BestCost,'LineWidth',2);
xlabel('Iteration');
ylabel('Best Cost');
grid on;
save data.mat青蒿素优化算法生成避开静态障碍物的全局路径：
以AO全局路径为引导，动态窗口法生成局部避障路径：
