面向城市低空物流配送的无人机实时航迹双层规划

doi:10.7527/S1000-6893.2025.31621

电子电气工程与控制

本期目录 | 过刊浏览 | 高级检索

前一篇 |

面向城市低空物流配送的无人机实时航迹双层规划

陈丹¹(), 汤程¹, 谢宇¹, 马园园², 徐天枢¹

^1.南京工程学院交通工程学院，南京 211167
^2.中国电子科技集团公司第二十八研究所空中交通管理系统全国重点实验室，南京 210014

收稿日期:2024-12-06 修回日期:2024-12-26 接受日期:2025-03-28 出版日期:2025-04-17 发布日期:2025-04-17
通讯作者: 陈丹 E-mail:chendan@njit.edu.cn
基金资助:
江苏省自然科学基金(BK20241967);国家自然科学基金(U2233204);国家自然科学基金(61903185);江苏省高校“青蓝工程”项目

Real time dual layer path planning of unmanned aerial vehicles for urban low altitude logistics distribution

Dan CHEN¹(), Cheng TANG¹, Yu XIE¹, Yuanyuan MA², Tianshu XU¹

^1.School of Traffic Engineering，Nanjing Institute of Technology，Nanjing 211167，China
^2.National Key Laboratory of Air Traffic Management System，28th Research Institute，China Electronics Technology Group Corporation，Nanjing 210014，China

Received:2024-12-06 Revised:2024-12-26 Accepted:2025-03-28 Online:2025-04-17 Published:2025-04-17
Contact: Dan CHEN E-mail:chendan@njit.edu.cn
Supported by:
Natural Science Foundation of Jiangsu Province(BK20241967);National Natural Science Foundation of China(U2233204);Qing Lan Project of Higher Learning Institations in Jiangsu Province

摘要/Abstract

摘要：

为提高物流无人机在城市低空复杂环境下的安全性和公众接受度，提出一种面向城市低空物流配送的无人机实时航迹双层规划方法。首先，采用栅格法和数字高程模型对空域环境进行表征，建立基于第三方社会风险的城市低空环境风险感知模型；其次，提出低空物流无人机实时航迹双层规划模型，针对预战术阶段的单架无人机，上层模型以最小化第三方社会风险成本和航行时间成本为目标，采用改进的A^*算法规划出最优期望航迹；最后，针对战术阶段无人机群协同运行，下层模型考虑多无人机之间的冲突问题，设计了基于偏航、悬停的差异化冲突解脱策略，以与最优期望航迹成本偏差最小为目标，建立无人机实时航迹优化模型。实验表明，上层模型相较于考虑航行时间的航迹规划（TPFD）能够降低15.12%的运行风险，相较于考虑风险成本的航迹规划（TPRC）能够减少10.61%的航行时间；下层模型能有效生成运行风险低、航行时间短、无冲突的四维航迹，针对50架物流无人机和100架非合作无人机的无人机群协同运行，在10 min仿真时段内，解脱冲突60次，飞行冲突解脱率100%，由此导致的额外风险、飞行时间、飞行距离、飞越栅格数均能控制在3%以下。

关键词: 航空运输, 航迹规划, 改进A^*算法, 物流无人机, 冲突解脱

Abstract:

To improve the safety and public acceptance of logistics drones in complex urban low altitude environments， a real-time dual layer path planning method for urban low-altitude logistics distribution drones is proposed. Firstly， the spatial environment is characterized using grid method and digital elevation model， and a risk perception model for urban low altitude environment based on third-party social risks is established. Secondly， a real-time dual layer path planning model for low altitude logistics drones is proposed. For a single drone in the pre tactical stage， the upper layer model aims to minimize third-party social risk costs and navigation time costs， and an improved A* algorithm is used to plan the optimal expected trajectory. For the coordinated operation of unmanned aerial vehicles in the tactical stage， the lower-level model considers the conflict problem between multiple unmanned aerial vehicles and designs a differentiated conflict resolution strategy based on yaw and hover. With the goal of minimizing the deviation from the optimal expected trajectory cost， a real-time path optimization model for unmanned aerial vehicles is established. Experiments have shown that the upper-level model can reduce operational risk by 15.12% compared to Trajectory Planning considering the Flight Duration（TPFD）， and by 10.61% compared to Trajectory Planning considering the Risk Cost（TPRC）. The lower-level model can effectively generate four-dimensional trajectories with low operational risk， short navigation time， and no conflicts. For a fleet of 50 logistics drones and 100 non-cooperative drones operating in coordination， conflicts can be resolved 60 times within a 10 minutes simulation period， with a flight conflict resolution rate of 100%. The additional risks， flight time， flight distance， and number of grid crossings caused by this can be controlled below 3%.

Key words: air transportation, path planning, improved A* algorithm, logistics drones, conflict resolution

中图分类号:

V355

陈丹, 汤程, 谢宇, 马园园, 徐天枢. 面向城市低空物流配送的无人机实时航迹双层规划[J]. 航空学报, 2025, 46(16): 331621.

Dan CHEN, Cheng TANG, Yu XIE, Yuanyuan MA, Tianshu XU. Real time dual layer path planning of unmanned aerial vehicles for urban low altitude logistics distribution[J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(16): 331621.

图/表 22

图 1

图 2

图 3

图 4

图 5

图 6

表1

参数设置

参数	数值	参数	数值
最大航程 $L m a x / m$	5 000	最大俯仰角 $μ m a x$	$± π / 2$
最大转弯角 $β m a x$	$± π / 2$	栅格大小 $l g r i d / m$	5
最大飞行高度 $H m a x / m$	120	最小飞行高度 $H m i n / m$	1
无人机空重m/kg	1.38	$P U A V$	$3.42 × 10 - 4$
$S h i t / m 2$	0.018 8	$S c$	0.5
$v c r / (m · s - 1)$	20	$v c l / (m ⋅ s - 1)$	6
$v d e s / (m · s - 1)$	4	$L s / d B$	110

表1

图 7

图 8

图 9

图 10

图 11

图 12

图 13

表2

图14

表3

图 15

图 16

表4

图 17

表5

参考文献 30

[1]	中国民用航空局. 城市场景轻小型无人驾驶航空器物流航线划设规范：［S］. 北京：中国民航出版社， 2022.
	The Civil Aviation Administration of China. Route design specification of the light-small unmanned aircraft system for urban logistics：［S］. Beijing： China Civil Aviation Publishing House， 2022 （in Chinese）.
[2]	RAMANA M V， VARMA S A， KOTHARI M. Motion planning for a fixed-wing UAV in urban environments［J］. IFAC-PapersOnLine， 2016， 49（1）： 419-424.
[3]	HAN B， QU T T， TONG X C， et al. Grid-optimized UAV indoor path planning algorithms in a complex environment［J］. International Journal of Applied Earth Observation and Geoinformation， 2022， 111： 102857.
[4]	MA Z Y， CHEN J. Adaptive path planning method for UAVs in complex environments［J］. International Journal of Applied Earth Observation and Geoinformation， 2022， 115： 103133.
[5]	张启钱，许卫卫，张洪海，等. 复杂低空物流无人机路径规划［J］. 北京航空航天大学学报， 2020， 46（7）： 1275-1286.
	ZHANG Q Q， XU W W， ZHANG H H， et al. Path planning for logistics UAV in complex low-altitude airspace‍［J］. Journal of Beijing University of Aeronautics and Astronautics， 2020， 46（7）： 1275-1286 （in Chinese）.
[6]	PRIMATESTA S， RIZZO A， LA COUR-HARBO A. Ground risk map for unmanned aircraft in urban environments‍［J］. Journal of Intelligent & Robotic Systems， 2020， 97（3）： 489-509.
[7]	张洪海，李翰，刘皞，等. 城市区域物流无人机路径规划［J］. 交通运输系统工程与信息， 2020， 20（6）： 22-29.
	ZHANG H H， LI H， LIU H， et al. Path planning for logistics unmanned aerial vehicle in urban area［J］. Journal of Transportation Systems Engineering and Information Technology， 2020， 20（6）： 22-29 （in Chinese）.
[8]	曲欣宇，叶博嘉，王华中，等. 基于风险地图的城市物流无人机路径规划研究［J］. 航空计算技术， 2024， 54（1）： 87-91.
	QU X Y， YE B J， WANG H Z， et al. Research on global path planning method for urban logistics UAV based on risk maps‍［J］. Aeronautical Computing Technique， 2024， 54（1）： 87-91 （in Chinese）.
[9]	PRIMATESTA S， CUOMO L S， GUGLIERI G， et al. An innovative algorithm to estimate risk optimum path for unmanned aerial vehicles in urban environments‍［J］. Transportation Research Procedia， 2018， 35： 44-53.
[10]	李俨，王重，齐延军，等. 城市风场环境中的无人机快速航迹规划方法［J］. 航空学报， 2016， 37（3）： 949-959.
	LI Y， WANG Z， QI Y J， et al. A rapid trajectory planning algorithm for UAV in urban areas with wind fields［J］. Acta Aeronautica et Astronautica Sinica， 2016， 37（3）： 949-959 （in Chinese）.
[11]	ROBERGE V， TARBOUCHI M， LABONTE G. Comparison of parallel genetic algorithm and particle swarm optimization for real-time UAV path planning［J］. IEEE Transactions on Industrial Informatics， 2013， 9（1）： 132-141.
[12]	PANG B Z， TAN Q Y， RA T， et al. A risk-based UAS traffic network model for adaptive urban airspace management［C］‍∥AIAA Aviation 2020 Forum. Reston： AIAA， 2020.
[13]	冯国强，赵晓林，高关根，等. 基于A^*蚁群算法的无人机航路规划［J］. 飞行力学， 2018， 36（5）： 49-52， 57.
	FENG G Q， ZHAO X L， GAO G G， et al. Path planning of UAVs using A^* ant colony algorithm‍［J］. Flight Dynamics， 2018， 36（5）： 49-52， 57 （in Chinese）.
[14]	赵帅. 低空空域下多无人机无冲突路径规划研究［D］. 南京：南京航空航天大学， 2019.
	ZHAO S. Research on conflict-free path planning of multi-UAV in low altitude airspace‍［D］. Nanjing： Nanjing University of Aeronautics and Astronautics， 2019 （in Chinese）.
[15]	WANG X L， HUANG C， CHEN F H. An improved particle swarm optimization algorithm for unmanned aerial vehicle route planning［J］. Journal of Physics： Conference Series， 2022， 2245（1）： 012013.
[16]	任天祥，贺建良，邹杰. 基于改进Theta^*算法的直升机三维航路规划［J］. 电光与控制， 2022， 29（2）： 45-48.
	REN T X， HE J L， ZOU J. 3D route planning for helicopters based on improved Theta^* algorithm［J］. Electronics Optics & Control， 2022， 29（2）： 45-48 （in Chinese）.
[17]	胡莘婷，吴宇. 面向城市飞行安全的无人机离散型多路径规划方法［J］. 航空学报， 2021， 42（6）： 324383.
	HU X T， WU Y. Risk-based discrete multi-path planning method for UAVs in urban environments‍［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（6）： 324383 （in Chinese）.
[18]	SWAIN S， KHILAR P M， SENAPATI B R. A reinforcement learning-based cluster routing scheme with dynamic path planning for mutli-UAV network［J］. Vehicular Communications， 2023， 41： 100605.
[19]	ZHANG N， ZHANG M C， LOW K H. 3D path planning and real-time collision resolution of multirotor drone operations in complex urban low-altitude airspace‍［J］. Transportation Research Part C： Emerging Technologies， 2021， 129： 103123.
[20]	CHEN P Z， PEI J A， LU W Q， et al. A deep reinforcement learning based method for real-time path planning and dynamic obstacle avoidance‍［J］. Neurocomputing， 2022， 497： 64-75.
[21]	LIU Y， ZHENG Z， QIN F Y， et al. A residual convolutional neural network based approach for real-time path planning‍［J］. Knowledge-Based Systems， 2022， 242： 108400.
[22]	ZHU H， CLARAMUNT F M， BRITO B， et al. Learning interaction-aware trajectory predictions for decentralized multi-robot motion planning in dynamic environments‍［J］. IEEE Robotics and Automation Letters， 2021， 6（2）： 2256-2263.
[23]	RAJA G， ANBALAGAN S， GANAPATHISUBRAMANIYAN A， et al. Efficient and secured swarm pattern multi-UAV communication［J］. IEEE Transactions on Vehicular Technology， 2021， 70（7）： 7050-7058.
[24]	PANG B Z， HU X T， DAI W， et al. UAV path optimization with an integrated cost assessment model considering third-party risks in metropolitan environments［J］. Reliability Engineering & System Safety， 2022， 222： 108399.
[25]	DALAMAGKIDIS K， VALAVANIS K P， PIEGL L A. On integrating unmanned aircraft systems into the national airspace system‍［M］. Berlin： Springer Press， 2009： 120-142.
[26]	程彩霞. 无人机城市运营居民接受度研究［D］. 天津：中国民航大学， 2021.
	CHENG C X. Study on residents‍’‍acceptance of unmanned aerial vehicle operation in city［D］. Tianjin： Civil Aviation University of China， 2021 （in Chinese）.
[27]	张洪海，张连东，刘皞，等. 城市低空物流无人机航迹规划模型研究［J］. 交通运输系统工程与信息， 2022， 22（1）： 256-264.
	ZHANG H H， ZHANG L D， LIU H， et al. Track planning model for logistics unmanned aerial vehicle in urban low-altitude airspace［J］. Journal of Transportation Systems Engineering and Information Technology， 2022， 22（1）： 256-264 （in Chinese）.
[28]	杨寒雨，赵晓永，王磊. 数据归一化方法综述［J］. 计算机工程与应用， 2023， 59（3）： 13-22.
	YANG H Y， ZHAO X Y， WANG L. Review of data normalization methods‍［J］. Computer Engineering and Applications， 2023， 59（3）： 13-22 （in Chinese）.
[29]	周浪. 农村电商物流配送“配送车+无人机”路径优化研究［D］. 武汉：武汉理工大学， 2017.
	ZHOU L. Research on path optimization of “delivery Vehicle+UAV” in rural E-commerce logistics distribution［D］. Wuhan： Wuhan University of Technology， 2017 （in Chinese）.
[30]	李翰. 城市区域物流无人机路径规划方法研究［D］. 南京：南京航空航天大学， 2021.
	LI H. Research on path planning method of urban regional logistics UAV‍［D］. Nanjing： Nanjing University of Aeronautics and Astronautics， 2021 （in Chinese）.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

模型	航迹规划结果				与TPCC对比
模型	风险代价	时间代价/s	航行距离/m	占用栅格数	风险代价/%	时间代价/%	航行距离/%	占用栅格数/%
TPFD	279.03	52.34	966.81	143	-15.12	0.52	-4.84	-4.9
TPRC	230.63	58.85	928.82	137	2.69	-10.61	-0.95	-0.73
TPECN	258.08	52.90	919.53	136	-8.22	-0.54	0.05	0
TPEC	264.77	53.32	927.81	136	-10.55	-1.33	-0.84	0
Dijkstra	241.16	53.93	959.05	149	-1.79	-2.45	-4.07	-8.72
TPCC	236.85	52.61	920.01	136	0	0	0	0

栅格尺寸/m	风险代价	代价对比/%	时间代价/s	代价对比/%	航行距离/m	距离对比/%
5	236.85	0	52.61	0	920.01	0
10	253.30	6.95	54.14	2.90	956.85	4.00
20	303.88	28.30	54.60	3.79	953.46	3.63
30	322.37	36.11	55.67	5.81	943.68	2.57

分析指标	TPCC	LLOT	对比
风险代价	236.85	239.34	2.49
时间代价/s	52.62	53.11	0.49
航行距离/m	920.01	930.01	10
占用栅格数/个	136	138	2
冲突栅格数/个	2	0	-2

模型	航迹规划结果					与LLOT对比
模型	风险代价	时间代价/s	航行距离/m	占用栅格数/个	冲突栅格数/个	风险代价/%	时间代价/%	航行距离/%	占用栅格数/%	冲突栅格数/%
TPFD	9 928.41	1 959.40	35 188.05	5 230	70	-17.78	4.14	-7.12	-2.89	-100
TPRC	7 691.40	2 130.14	32 384.53	5 050	75	6.13	-4.21	0.92	0.57	-100
TPCC	8 150.82	2 016.70	31 986.08	5 010	60	0.15	1.18	2.17	1.38	-100
TPECN	8 390.87	2 026.55	31 426.94	4 850	72	-2.71	0.69	3.99	4.72	-100
TPEC	8 471.33	2 034.59	31 042.27	4 770	55	-3.64	0.29	5.28	6.48	-100
Dijkstra	8 322.98	2 036.13	31 432.56	4 900	72	-1.92	0.21	3.97	3.65	-100
LLOT	8 163.15	2 040.48	32 680.92	5 079	0	0	0	0	0	0

面向城市低空物流配送的无人机实时航迹双层规划

Real time dual layer path planning of unmanned aerial vehicles for urban low altitude logistics distribution

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 22

参考文献 30

相关文章 15

编辑推荐

Metrics

本文评价

[1]	余子杰, 郑征, 李清东, 郭林, 任素萍, 郭健. 基于深度强化学习的太阳能无人机航迹规划[J]. 航空学报, 2025, 46(12): 331420-331420.
[2]	王俊潼, 包丹文, 周佳怡, 尚静萱, 张孜芊. 低空空域规划研究现状与展望[J]. 航空学报, 2025, 46(11): 530879-530879.
[3]	王兴隆, 王友杰. 面向城市低空的多机型eVTOL安全间隔评估[J]. 航空学报, 2025, 46(1): 330604-330604.
[4]	胡玉梅, 潘泉, 邓豹. 基于Fisher信息的传感器航迹自适应滤波算法[J]. 航空学报, 2024, 45(20): 629825-629825.
[5]	王振威, 刘凯, 郭健, 刘晓鹏. 一种基于领导⁃跟随策略的多无人机⁃多无人艇编队协同机制[J]. 航空学报, 2023, 44(S2): 729791-729791.
[6]	高显忠, 邓小龙, 王玉杰, 郭正, 侯中喜. 临近空间太阳能飞机能量最优飞行航迹规划方法展望[J]. 航空学报, 2023, 44(8): 27265-027265.
[7]	谢华, 苏方正, 尹嘉男, 韩斯特, 张新珏. 复杂低空无人机飞行冲突网络建模与精细管理[J]. 航空学报, 2023, 44(18): 328226-328226.
[8]	雷刚, 罗炜, 李云舒, 赖灿辉. 高超声速滑翔飞行器多禁飞区再入机动航迹优化[J]. 航空学报, 2023, 44(15): 528769-528769.
[9]	郭琪磊, 桑为民, 牛俊杰, 袁烨. 复杂气象条件下考虑结冰风险的无人机飞行策略[J]. 航空学报, 2023, 44(1): 627518-627518.
[10]	谢华, 黎子弘, 杨磊, 朱永文, 刘芳子. 容量受限下城市对航班四维航迹优化[J]. 航空学报, 2022, 43(8): 325581-325581.
[11]	张宏宏, 甘旭升, 孙静娟, 赵顾颢, 韩宝华. 基于STPA-TOPAZ的低空无人机冲突解脱安全性分析[J]. 航空学报, 2022, 43(7): 325354-325354.
[12]	吴子轩, 张宁, 高凯烨, 彭锐. 基于风险偏好调整的随机森林算法的航班航程油量预测[J]. 航空学报, 2022, 43(2): 224933-224933.
[13]	王兴隆, 石宗北, 陈仔燕. 空中交通网络模体识别及子图结构韧性评估[J]. 航空学报, 2021, 42(7): 324715-324715.
[14]	李宇辉, 赵敏, 陈奇, 姚敏, 何紫阳. 复杂环境下翼伞系统的组合式航迹规划[J]. 航空学报, 2021, 42(6): 324566-324566.
[15]	李思平, 周耀明. 全球疫情下的中国内地航空网络对外连通性[J]. 航空学报, 2021, 42(6): 324569-324569.