← 返回论文列表

使用磁势场的自主无人机安全空中三维路径规划
Safe Aerial 3D Path Planning for Autonomous UAVs using Magnetic Potential Fields

作者: Haechan Mark Bong, Giovanni Beltrame
arXiv: 2605.10880v1
分类: cs.RO
📝 论文摘要
在城市环境中进行安全自主无人机导航需要实时路径规划以避开障碍物。MaxConvNet是一种势场规划器，利用麦克斯韦方程组的特性生成无局部极小值的目标路径。我们将二维MaxConvNet磁场规划器扩展至三维，采用卷积自编码器从LiDAR生成的101^3体素网格中预测包含障碍物信息的势场。在两种不同的Cosys-AirSim城市环境（密集的夜间城市场景和郊区区域）中进行的100次随机闭环试验评估表明，该模型在两个地图上均实现了100%的路径规划成功率，且无需重新训练。在离线路径规划中，3DMaxConvNet在未见地图上的路径长度与A*算法相当，同时将运行时间从0.155-0.17秒降低至0.087-0.089秒，比A*快约1.7-1.95倍。与RRT*(3k)相比，3DMaxConvNet在保持相似路径质量的同时，将规划运行时间从17.2-17.5秒降低至约0.09秒，比RRT*(3k)快约193-201倍。

📊 核心分析

🎯 研究动机
- 城市环境中自主无人机(UAV)的**实时3D路径规划** 需要高效避障，但现有方法如A*和RRT*的计算时间过长，难以满足实时性要求 - 传统势场法存在**局部极小值(local minima)** 问题，容易导致规划失败 - 研究背景：基于麦克斯韦方程的2D势场规划器MaxConvNet已解决局部极小值问题，但缺乏3D扩展方案
🔧 核心方法
- 提出**3DMaxConvNet**，将2D的麦克斯韦磁势场规划器扩展至3D空间 - 使用**卷积自编码器(convolutional autoencoder)** 从LiDAR点云生成的101^3体素网格中预测障碍物感知的势场 - 在闭环在线规划中，直接利用预测的势场梯度驱动机器人运动，无需显式路径搜索
💡 核心创新
- **首创性扩展**：首次将基于**麦克斯韦方程(Maxwell's equations)** 的势场规划器从2D推广到3D，保持了无局部极小值的特性 - **高效感知融合**：利用**卷积自编码器(convolutional autoencoder)** 直接从3D体素网格学习势场，避免了传统势场建模的手工设计 - **显著加速**：相比A*快1.7–1.95倍，相比RRT*快193–201倍，且路径长度相当，实现实时规划
🏆 总体贡献
- 为无人机3D避障路径规划提供了一种**无局部极小值、计算高效** 的新范式 - 在两种不同城市环境（密集夜景和郊区）的100次随机闭环试验中达到**100%规划成功率**，且无需重新训练，展示了强泛化性 - 显著降低了3D路径规划的计算开销，为资源受限的自主无人机平台提供了**可落地的实时方案**