《表2 融合算法与传统算法在全局动态路径规划的性能比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于改进的A~*算法在三维路径规划中的仿真应用》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

在实验1的基础上添加一个局部的动态障碍物，来验证该融合算法在动态环境中实时避障的性能。如图4所示，当无人机在静态路径过程中，沿途突然出现动态障碍物，生物神经元动力学模型算法能够将局部动态信息通过更新神经元的活性值表达出来，在障碍物的周围形成局部的排斥效应，从而实现对局部动态障碍物的避障性能。传统的A*算法是一种静态的全局搜索算法，因此无法实现对动态障碍物的规避性能。本文的融合算法结合了A*算法的全局静态的路径优化性能和生物神经元动力学模型算法的局部动态避障性能。如图4（c）所示，能够在全局动态环境下寻找到一条从起始点到目标点无碰撞的低代价路径。从表2的数据可以看出，在动态环境中，三维神经动力学模型获取动态障碍物的信息需要更新全局的神经元活性，比在静态环境下的规划时间增加了一倍，无法完成动态环境下的实时避障性能。本文的融合算法通过启发函数对扩展节点的约束，在有动态障碍物时仅仅更新局部障碍物的神经元活性值，时间从12.5 s减小到8.6 s，提升了算法的效率；同时该算法秉承了A*算法的全局优化性能，全局路径从21.4 m缩短为16.7 m。