✅博主简介擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导毕业论文、期刊论文经验交流。✅ 如需沟通交流扫描文章底部二维码。1基于三角形边长定理与二分法改良的蚁群路径规划针对山区高速公路巡检中无人机需在机巢间巡查多个重要区域并规避山峰的路径规划问题提出改良ACO算法。算法在蚂蚁路径构建时融合了三角形边长定理用于在候选节点间判断是否存在绕山峰的捷径当蚂蚁当前位置到下一巡检点间无山峰遮挡时直接应用直线距离作为启发值若存在遮挡则依据三角形两边之和大于第三边原理自动选取中间绕飞点由几何关系快速估算绕飞路径长度。此外为解决传统蚁群在复杂地形中易陷入死区无路可走问题采用二分法回溯当蚂蚁发现8邻域无可选节点时执行二分回溯退回至上一节点并在其邻域中剔除本次失败路径入口重新搜索回溯深度最多3步迭代中若某条边导致回溯超过2次则永久降低其信息素。在包含12座山峰的真实路段地图上改良ACO规划的路径长度比标准ACO缩短了21.3%路径曲折度减少且始终满足最小安全距离的要求避免了无人机撞山的风险。2多级串联模糊PID轨迹跟踪与风速补偿无人机采用多级闭环控制系统外环为位置-速度环内环为姿态环。位置控制器采用模糊PID根据位置误差大小分区切换当误差大于5 m时采用Bang-bang控制以最大速度趋近当误差在0.5~5 m时模糊控制器在线整定PID参数隶属度函数根据水平速度动态调整当误差小于0.5 m时切换为细分PID保证定点精度。姿态内环采用串级PID加前馈融合风速传感器数据构建扰动观测器实时补偿风干扰力矩补偿量基于无人机气动系数估算。仿真中输入阵风7 m/s无补偿时轨迹偏移峰值达4.1 m增加风速补偿后偏移降至0.42 m轨迹跟踪性能显著提升保证了在复杂山区气流下的巡检安全。3实际高速公路航拍数据验证与机巢部署策略使用DJI Matrice 300搭载高精度RTK对成渝高速某37 km路段进行航拍采集高程和影像数据生成三维环境模型并导入仿真系统。在该模型中应用改良ACO模糊PID巡检验证无人机按照规划的路径覆盖了全部7个巡检区域飞行总距离82 km在机巢间合理分配了充电停留总任务时间4.7小时轨迹跟踪误差均方根0.38 m。机巢部署位置依据无人机续航能力和地形遮蔽角计算保证相邻机巢间距不超过20 km且任意巡检点至机巢距离小于10 km。实验结果证实了路径规划与跟踪算法的可行性为实际山区巡检提供了具备工程应用价值的完整方案。import numpy as np import heapq # 改良蚁群路径规划 (三角形边长定理启发式) def improved_aco_path(map_3d, start, goal, peaks, n_ants30, max_iter50): n_cities len(map_3d) pheromone np.ones((n_cities, n_cities))*0.1 best_path []; best_len float(inf) for _ in range(max_iter): for ant in range(n_ants): path [start]; visited {start} while path[-1] ! goal and len(path) 200: current path[-1]; neighbors range(n_cities) probs [] for nxt in neighbors: if nxt in visited: continue # 三角形边长定理检测 if not is_line_of_sight(current, nxt, peaks): # 使用三角形定理估算绕飞 detour triangle_detour_length(current, nxt, peaks) dist_heu detour else: dist_heu np.linalg.norm(map_3d[current]-map_3d[nxt]) probs.append(pheromone[current, nxt] * (1.0/(dist_heu1e-3))**2) probs np.array(probs)/sum(probs) next_node np.random.choice(list(set(neighbors)-visited), pprobs) path.append(next_node); visited.add(next_node) length path_length(path, map_3d) if length best_len and path[-1]goal: best_path path; best_len length # 信息素更新 pheromone * 0.9 for i in range(len(best_path)-1): pheromone[best_path[i], best_path[i1]] 0.5/best_len return best_path def triangle_detour_length(p1, p2, peaks): # 计算绕过山峰的近似长度 return np.linalg.norm(np.array(p1)-np.array(p2)) 0.8 # 模糊PID风速补偿 (简化) def wind_compensated_control(pos_err, vel_err, wind_speed, attitude_angle): kp, ki, kd 2.0, 0.1, 0.5 if np.linalg.norm(pos_err) 5: u 5.0 * pos_err / np.linalg.norm(pos_err) else: u kp*pos_err ki*vel_err kd*(vel_err) # 风速前馈补偿 wind_torque 0.02 * wind_speed * np.cos(attitude_angle[2]) return u wind_torque # 示例调用 map_pts np.random.rand(20,3); peaks [np.array([0.5,0.5,0.2])] path improved_aco_path(map_pts, 0, 19, peaks) print(f路径: {path[:5]})如有问题可以直接沟通