无人机在各种任务中发挥着重要作用，例如建筑基础设施检查和灾害环境中的搜索和救援。 在这些任务中，避免碰撞是无人机运动规划的关键。
已经报道并验证了许多方法在实际无人机飞行中的有效性。 此外，为了优化电池寿命，无人机系统应尽可能轻。
导航系统在无人机控制中起着至关重要的作用，其过程可分为离线和**两个阶段。 在离线阶段，全局路径规划器是不可或缺的核心部件，它决定了无人机从起点到目标区域的飞行路径。
该规划器考虑了全球地图和时空风速信息，以最大限度地提高能源消耗并创建全球节能路径。 路径生成过程使用扩展的 A* 算法。
在**阶段，LiDAR的SLAM、本地路径规划器和经典的PD控制器构成了主要组件。
其中，基于LiDAR的SLAM算法采用了A-LoAM的先进实现，主要用于提供无人机的姿态估计和地图构建。
A-LoAM利用3D LiDAR获取的点云数据提取特征点，并基于3D KD树实时生成局部地图。 在这个过程中，研究的重点是当地的路径规划者。
根据全局规划器生成的航点，规划器生成感知的本地路径。 到达一个航点后，无人机以水平向后的方式瞄准下一个航点。
局部路径规划器还使用快速探索随机树（RRT*）结合A-LOAM算法扫描的特征点来量化感知质量，确保飞行的安全和稳定。
新文案：该导航系统的应用在无人机控制中起着重要作用。 通过离线阶段的全局路径规划，可以为无人机设计更高效、更节能的飞行路径，同时考虑地图和风速等因素。
* 在此过程中，通过激光雷达的SLAM和局部路径规划，可以实现无人机在实际环境中的感知和控制。 这种组合使无人机能够成功完成复杂的任务并实现精确的位置控制。
这项研究提供了重要的技术经验教训，可以在未来进一步研究和改进，以提高系统的准确性和鲁棒性。
我们提出了一种基于半径为r的超球体和内切十二面体的A*算法图，用于无人机在三维空间中的路径规划。
与传统的ASTS方法相比，我们的方法具有更好的性能和可扩展性，可以在高维空间中进行随时间推移的路径规划。 然而，在图构建过程中，搜索节点的数量呈指数级增长，这需要在计算负担和最优路径生成之间进行权衡。
为了解决这个问题，我们选择了 32 个相邻节点进行搜索。 这样做可以确保从当前节点搜索的相邻节点在各个方向上均匀分布，从而更好地考虑风的实际影响。
我们的方法是高效、可扩展和实用的，为无人机路径规划提供了可靠的解决方案。
这种图结构的设计特点是限制相邻节点的数量，以实现节点之间距离的近乎均匀分布。 值得一提的是，所有 32 个相邻节点都具有相同的 tj 值，因为无人机能够到达每个相邻节点，从而确保路径的连通性。
在 Global Planner 中应用此设计可为无人机路径规划提供高效准确的策略，同时考虑到风的影响。 当地规划者也意识到了这一点。
局部路径规划模块主要由树生成模块和RRT*算法的路径选择模块组成。 首先，通过RRT*算法基于当前位置和地图生成一组候选路径;
然后，路径选择模块根据两个关键指标对每条候选路径进行评估：一是路径规划以地平线撤退迭代，直到无人机到达指定航点; 其次，在每个规划步骤中，规划人员根据 A-Loam 估计的地图和姿态，在预定义的立方区域内执行路径规划。
RRT* 算法应用于树生成模块，以生成成本优化和避免碰撞的路径。 在这项研究中，RRT*算法被进一步扩展，以生成一个候选路径库，这种方法类似于在未知区域有效探索无人机。
需要注意的是，如果生成的树在无人机的跟踪过程中不够平滑，则需要动态模型或平滑技术的支持。 在获得候选路径后，路径选择模块会评估每条路径上的特征点，以确定是否能提高姿态估计的准确性，以衡量感知质量。
在每条候选路径的终点节点处，路径选择模块会挑选出无人机能看到的有效特征点，这样在每条路径规划的起始节点处，扫描到的特征点就会被定义为f。
这种全面的评估和选择过程有助于确保无人机能够在当地环境中选择最佳路径，并在实际飞行中获得更好的感知。 为了考虑使用有效特征点的感知质量，在研究中引入了圆形网格图的概念，它允许规划者更有效地处理稀疏点云数据，类似于稀疏点云插值（FIF）的处理方式。
此格网由径向格网和角度格网组成，如果格网中至少有一个有效要素点，则该格网将被标记为“true”。
衡量感知质量的方法是计算接近无人机的真实网格数量以及这些网格的分布。 圆形网格的思想主要基于两个观察：根据研究，LiDAR在测距中的不确定性会导致较大的误差，因此位于无人机附近的特征点对于SLAM算法的姿态估计可能更稳定。
根据研究，在SLAM算法中使用不同方向的特征点或约束可以有效防止性能下降。 通过基于圆形网格图的感知质量计算方法，可以为局部路径规划提供重要信息，帮助规划人员做出更明智的决策，从而在飞行过程中实现更准确的位置估计和更高的感知质量。
这种方法已经过建模和讨论，并已被证明是有效的。
为了验证所提框架的有效性，研究人员在离线和**过程中使用了不同的实现方法，其中离线阶段使用MATLAB处理，**阶段使用机器人操作系统处理。
通过与传统的反应式路径规划器进行比较，本研究突出了所提出的局部路径规划器的优势。 在实验过程中，我们测试了三种不同的场景，包括之前研究中逼真的 3D 模型，以全面评估反应式规划师和提议者规划师的性能。
由于 LiDAR SLAM 模块的初始化过程和 RRT* 算法的随机性，即使使用相同的设置，结果也会因运行而异。
为了全面评估每个计划员的性能，使用了两个指标：仿真结果显示了位置误差随飞行路径和时间的历史变化，为简洁起见，仅显示了三个飞行路径。
实验结果清晰地证明了所提框架在不同场景下的优越性能。
新副本：本文总结了能量消耗和飞行时间在能量感知路径中的表现，包括直接路径的结果。 无人机直接从起点飞到目标，我们发现路径是沿着风矢量生成的，从而在所有三种情况下都实现了最小的能耗和飞行时间。
但是，当无人机需要向上或侧向移动时，它不能根据风向量飞行。 有趣的是，在逆风数据中，我们的规划器几乎直接生成了一条通往目标区域的路径，使无人机能够显着减少飞行时间和能源消耗。
这可以通过比较建议路径和直接路径的飞行时间来确认。 对于侧风，从起点到目标的矢量与风矢量的方向相反，因此规划路径偏离逆风并绕周围区域（x，y）=（400,200），这导致飞行时间增加，但有效降低了能耗。
远程飞行表演。
在比较了全球规划和凉亭模拟的结果后，我们发现实际飞行时间比预期的飞行时间少了约1000秒。 为了解决这个问题，我们调整了权衡因子 a。
特别是对于远程飞行场景，重量系数A的调整也适用。 我们发现，在两个航点之间的每个任务中，a 的值都在 [0.] 范围内。1, 0.4, 0.7]在变体中。
从图 19 中可以看出，a 与每个航点的能量消耗之间存在明显的关系。 在航点 1 和 2 之间，感知规划器的 = 07使无人机保持感知质量，导致能耗增加。
但是当 a 为 0 时1、能耗最小化，这意味着调整A不仅影响姿态估计的准确性，还影响无人机的能耗。 在航点 2 和 3 之间，计划员的 = 01 由于定位不正确导致飞行失败。
在航点 3 和 4 之间，规划者的 = 04 与以前相比，能耗降低了 27%，但导致飞行失败。 为了规避这一点，我们需要根据航点周围的环境设置一个。
在地标性资源丰富的地区，无人机可以通过降低A来有效节约能源消耗。 但是，在无特征区域，我们建议添加 a 以保持较高的感知质量。
通过调整这个敏感参数，我们的框架可以绘制出局部节能路径，同时保持高质量的感知。