复杂环境下无人机全覆盖路径规划混合算法研究.pdf

该【复杂环境下无人机全覆盖路径规划混合算法研究 】是由【雪雁】上传分享，文档一共【9】页，该文档可以免费在线阅读，需要了解更多关于【复杂环境下无人机全覆盖路径规划混合算法研究 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。
第卷第期广西科技大学学报

年月
复杂环境下无人机全覆盖路径规划混合算法研究
黄迎港1,2,陈锴1,罗文广*1,2

(广西科技大学电气电子与计算机科学学院,广西柳州;

广西汽车零部件与整车技术重点实验室(广西科技大学),广西柳州)
摘要:为解决无人机在被检物体外形复杂、多障碍物等环境下的路径规划问题,提出了一种基于混合策略的
全覆盖路径规划算法,该算法由综合运动函数、死区逃离策略、运动优先级策略组成。综合运动函数对基于栅
格地图的位置函数及考虑无人机能量消耗的转向置信函数进行加权,并作为下一航点的选择依据;死区逃离策
略由环形搜索、A-star算法构成;运动优先级策略设计为:左优先、下优先、直优先,以降低无人机遇到障碍物
时规划路径缠绕、陷入死区和节点重复问题的发生概率,使之高效飞行。通过仿真及实机验证,结果表明:所
提算法适用于复杂环境下的无人机路径规划,且可有效减少陷入死区的次数,降低路径重复率,减少路径规划
时间。
关键词:无人机;路径规划;复杂环境;全覆盖;混合算法
中图分类号:;TN926DOI:.cn45-1395/
0引言牛须算法(BAS)中天牛个体的自寻优能力,结合粒
子群算法(PSO)设计出BAS-PSO路径规划算法,
近年来,路径规划问题成为无人机控制领域的可有效提高粒子的搜索效率,但PSO在解决路径
研究热点。全覆盖路径规划是指无人机从起点到终规划问题时易出现早熟现象,算法的整体寻优能力
点,自主规划出一条无碰撞的飞行路径。常见的方提升不够显著。王翼虎等[7]将细菌觅食算法(BFO)
法有:A-star算法、遗传算法、粒子群算法等。然引入粒子群优化中,避免粒子趋同现象发生,提高
而上述方法只在特定场景下有效且易陷入局部极小三维环境下路径规划的覆盖率。白杰等[8]在分散搜
值,导致所得路径全局性差,无法满足无人机日益索算法中引入模拟退火算法,提高了分散搜索的全
复杂的飞行环境要求[1]。周毅等[2]引入插入算子和局寻优能力,但局部规划仍存在局限。栅格地图在
删除算子对遗传算法(GA)进行改进,有效减少了路径规划环境建模方面应用广泛。郝宗波等[9]采用
航点重叠率,提高了无人机在巡线工作中的安全内螺旋覆盖算法(ISC)实现对室内环境下的全覆盖
性。伍鹏飞等[3]采用混沌蜂群算法(ABC)提升无人路径规划,有效降低遍历的重复性,但其并未对复
机在复杂环境下的死区逃离能力。此外,通过引入杂环境进行验证。韩忠华等[10]通过降维方式提高规
辅助避障力的方法,解决人工势场法易陷入局部极划效率,降低模型的复杂度,并采用局部动态搜索
小值的问题,但当环境变化时需要重新对参数进行策略改善规划过程中的随机性。陶德臣等[11]利用图
整定,未从根本上解决其存在的缺点[4]。以上方法论学理论对牛耕往复式全覆盖算法进行改进,在不
主要采用单一算法并进行特定的改进,虽能克服传规则农田环境下实现全局航线规划,但其实现复
统算法的一些缺点,但普适性较差。为此,复杂环杂,难以在线进行。潘楠等[12]提出基于差分进化算
境下的无人机路径规划研究逐渐向混合算法方向发法(DE)优化的生命周期群搜索(LSO)算法,在模
展。周克帅等[5]采用全局+局部相结合的方式,实拟仓库环境飞行中延长了飞行路线,提高了无人机
现动态环境下无碰撞路径规划。付兴武等[6]利用天的工作效率。孙静等[13]提出分层规划方法,将PSO
收稿日期:2021-09-01
基金项目:广西重点研发计划项目(桂科AB17292053)资助
作者简介:黄迎港,在读硕士研究生
*通信作者:罗文广,工学硕士,教授,研究方向:智能控制及应用、汽车电子控制技术,E-mail:******@
8633
广西科技大学学报第卷
与稀疏A-star算法结合,解决了复杂环境下规划航1)位置函数
线的无碰撞要求。唐俊[14]采用分层拓展的思想对三对栅格进行赋值可以达到区分不同栅格的目
维环境进行建模,应用多层拓展A-star算法实现快的。设位置函数为X,如式(1):
速航迹规划,提高了三维路径规划的速度并可有效ì1;该栅格未覆盖
ï
避开障碍物。唐博文等[15]采用事件触发方式,简化X=该栅格已覆盖1
i,jí;,()
ï−
强化学习避障算法的复杂度,但其并未验证复杂环î1;该栅格是障碍物
境下的避障有效性。式中:i、j表示栅格地图中第i行、第j列的栅格。
为了解决多旋翼无人机[16]在复杂环境下的全覆式(1)对栅格进行了分类。飞行路径即航线由
盖路径规划问题,本文提出一种基于混合策略的全一系列航点构成,路径规划就是确定每一个航点的
覆盖路径规划算法。在定义位置函数和建立转向置位置。对应到栅格地图中,需要确定每飞行一步所
信函数的基础上,设计用于确定无人机飞行方向的处的栅格坐标。例如,图1所示的每一个运行窗口
综合运动函数;应用环形搜索算法和A-star算法制8p
中会有个与当前节点(图中p点)相连接的栅格进
定死区逃离策略,解决无人机高效逃离死区问题;pp
入待选区域;b表示当前节点p的父节点(前一个
设置“左优先,下优先,直优先”的运动优先级策已覆盖节点),这2个栅格都已经完成了覆盖(灰色
略,解决无人机飞行遇到障碍物时规划路径缠绕、表示),;图中障碍物栅格设为黑色,
陷入死区和节点重复飞行问题。将其应用到环境复1p—p
赋值为-;n1n5表示未完成覆盖的栅格(白色表
杂的桥梁病害检测路径规划中,验证该算法的有示),赋值为1。图2显示了图1中各个栅格的赋值
效性。情况。
1基于混合策略的全覆盖路径规划算法
为了解决在复杂环境下的无人机路径规划问
题,在文献[17]的基础上,研究一种基于混合策略
的全覆盖路径规划算法。该算法在设计出二维算法
的基础上,再扩展至三维。二维算法主要由综合运
动函数、死区逃离策略、运动优先级策略等构成。图1栅格地图编号示意图图2栅格赋值情况
)转向置信函数
为控制无人机的航向,使其趋向未覆盖区域,

设置转向信度函数,如式△():
综合运动函数包括2个部分:位置函数及转向−ϕ
C=1,(2)
π
信度函数。位置函数用于区分未覆盖的栅格、已覆△∈
盖的栅格以及障碍物;而转向信度函数用于引导无式中:ϕ[0,π],为航向变化角。
人机向未覆盖区域飞行,同时控制转向角度,使路图3为航向变化角示意图。
径趋于平直。
构建地图是进行无人机路径规划的前提条件,
常见的方法有栅格法、单元分解法和拓扑法等。栅
格地图以其简单有效、表达能力强的特点得到广泛
应用。栅格法就是将无人机工作环境划分为若干个
栅格,通过位置函数对栅格进行赋值,进行区域的
划分。栅格大小的选择是决定路径规划成功与否的
关键,过大则地图分辨率降低,对真实环境的表达
能力不强;过小将增加计算负担,抗干扰性差。根
据桥梁检测任务和无人机桥检相机的像素,选用图3航向变化角示意图
△
1m×1m的栅格对地图进行建模。由图3得航向变化角ϕ:
187
第期黄迎港等:复杂环境下无人机全覆盖路径规划混合算法研究
△|y-yy-y|寻找未覆盖节点。
|pppp|
ϕ=arctannp-arctanpb,(3)
|xxxx|
p-pp-p
|nppb|
p(x,y)p(x,y)p(x,y)
式中:ppp、bpp及npp分别表
ppbbnn
示当前节点、当前节点的父节点及未覆盖节点。
△
ϕ=0°,C=1为最大,无人机沿着直线航行,
无需转向,消耗能量最少,信度最高;
△
ϕ=180°,无人机往相反方向航行,转向角度最
大,消耗能量最多,应该尽量避免。图5(网络版彩图)环形搜索未覆盖节点
3)综合运动函数2)A-star算法选择路径
综合考虑位置函数及转向信度函数,重新定义A-star算法是一种典型的启发式算法,具有原
一个综合运动函数,作为下一飞行节点的选择依理简单、易于代码实现、适应性好等优势,在路径
据,其定义为:
⋯规划领域得到广泛应用。其在搜索过程中,通过比
Y=X+aC,k=1,2,,i,(4)
∈kkk较每一个待选节点的代价值,选择代价值最小的节
式中:a(0,1],为加权系数,,点作为下一个节点。
即在规划过程中总是朝着未覆盖节点方向行走;对于能量源有限的无人机,在复杂环境中进行
i的取值取决于与当前节点相连接的未覆盖点的路径规划时,需要重点考虑其高效飞行问题。因
Y
数量。选取k值最大的节点作为下一步移动方向。此,将A-star算法的代价值选择为“能量消耗”,
“最短飞行距离”,在栅格
在进行上述的路径规划时,可能会产生这样的地图中则为飞行的“栅格数”。实际上通过A-star
情形:与当前节点毗邻的节点不存在未覆盖节点,算法就是要选择“从当前节点到达该未覆盖节点的
都是已覆盖节点或障碍物,或者是边界,这时称无路径长度是所有未覆盖节点中最短”的节点,定义
人机陷入死区,如图4所示。无人机进入死区后不为“最近”未覆盖节点,如图6所示。因为“死
能按图3所示的航向变化角方向进行下一步飞行,区”可能包括障碍物,无人机需要避开障碍物,环
只有逃离死区后才能继续完成覆盖任务。为此,设形搜索到的未覆盖节点未必是飞行距离最短的节
计死区逃离策略:当无人机陷入死区后,使用环形点。图中,按最短欧氏距离(3个栅格)搜索到的未
搜索算法搜索死区外环的节点,寻找未覆盖的节ppp
覆盖节点为n1,而从当前节点p出发,到达n1需
点;然后计算各未覆盖节点与当前节点的代价值,123p456789
要经过栅格、、、n2、、、、、、,共
用A-star算法确定下一节点。飞行11个栅格,“飞行距离”大于“欧氏距离”。
按下一个最短欧氏距离(4个栅格)搜索到的未覆盖
ppp
节点n2等(仅以n2说明),从当前节点p出发,到
p1234
达n2只需要经过栅格、、,共飞行个栅格,
“飞行距离”等于“欧氏距离”。经过2次环形搜索
后,A-star算法找到最佳逃离“死区”的节点为
p
n2。通过上述分析,设计的死区逃离策略具体步
骤如下:
图4当前节点位于死区中Step1按“最短欧氏距离”原则搜索未覆盖
1)环形搜索节点。
当无人机陷入死区时,进行环形搜索。如图5Step2计算当前节点到未覆盖节点的“飞行
所示,灰色为已覆盖节点或障碍物,蓝色为正在搜距离”,获得其中“最小飞行距离”。
索区域,红色为搜索结束区域。以当前节点与未覆Step3“最小飞行距离”是否等于或小于
盖节点之间的最短欧氏距离为半径进行环形搜索,“最短欧氏距离”?如果是,则选择相应节点为“最
8833
广西科技大学学报第卷
近”未覆盖节点,无人机飞向该节点,逃离“死

区”;反之,则执行下一步。
Step4“最短欧氏距离”增加一个栅格,转二维全覆盖路径规划流程如图8所示。
到Step1,进行新一轮搜索。
在上述步骤中,“最小飞行距离”是指所有环
形搜索中的最小值;“最短欧氏距离”是指每次环
形搜索中的值,根据搜索的具体情况会不断加大。
图6选择“最近”未覆盖节点图8二维路径规划流程
,关键在于根据相关
由上述分析可知,综合运动代价函数能够对航策略确定无人机的下一个航点位置(节点)。图8
线进行全覆盖规划,但当无人机遇到障碍物时,更中,大多数节点属于正常节点,由综合运动函数确
容易陷入死区。为了逃离死区而产生节点重复飞定;无人机陷入死区时,则由死区逃离策略确定;
行,导致规划路径存在冗余航点、路径重复率高的若无人机触及障碍物边缘,则采用运动优先级策略
缺点。为此,引入运动优先级策略,规范无人机路确定。当所有栅格的赋值都不为1时,即不存在未
径,降低陷入死区和节点重复飞行(重复率)的概覆盖节点,可认为完成了对工作区域的全覆盖路径
率,使之高效规划路径。运动优先级策略设计为:规划。
左优先,下优先,直优先。在图7(a)中,当无人机

触及障碍物边缘后,若左侧存在未覆盖区域,则优
先覆盖左侧区域。在图7(b)中,当无人机触及障无人机进行飞行时处于三维环境中,因此,需
碍物边缘时,若下方存在未覆盖区域,则优先覆盖要将二维算法推广至三维。三维路径规划流程如
下方区域。在图7(c)中,下一节点存在2种选择,图9所示。
即左侧直行或向左上角运动。根据综合运动代价函
数,将选择2号栅格作为下一个节点,但这很可能
会造成1号栅格的未覆盖。根据运动优先级策略,
优先覆盖1号栅格节点,减少规划路径缠绕的
发生。
图9三维路径规划流程
(a)(b)(c)借助等高线的概念,将工作区域根据高度值分
为若干层(z层),在每一层进行二维路径规划。当
这一层完成全覆盖后,寻找正上(下)方的节点作为
图7运动优先级策略
下一层的起点,若该节点为障碍物节点,则寻找
189
第期黄迎港等:复杂环境下无人机全覆盖路径规划混合算法研究
“最近”节点,作为下一层的初始任务航点。循环
以上步骤,直至三维工作空间完成全覆盖。
2试验及分析

分别建立二维仿真地图及三维桥梁抽象地图,
以验证本文提出的全覆盖规划算法的有效性。在全
覆盖路径规划任务中,可以利用以下指标来评价全
覆盖路径规划策略的性能。
1)区域覆盖率
C
区域覆盖率(c)表示为:
N
C=c×100%,(5)
cN
NN
式中:c表示无人机完成覆盖的栅格个数,表示
图10二维仿真地图
所有需要覆盖的栅格个数。
以使用无人机对桥梁进行病害检测为例,检测在二维地图中,仅使用综合运动函数进行全覆
盖路径规划,其结果如图11所示。从图中可以看
范围是桥梁的全部外表面,重点检测桥墩外表面、
出,仅使用综合运动代价函数可以完成对地图的全
桥板下底面以及桥墩与桥板的连接处。为了避免漏
覆盖,覆盖率可以达到100%,但其所规划的路径
检现象的发生,无人机需要遍历以上提到的所有区
多次陷入死区(图空心小方块代表陷入死区的节
域,因此,要求算法所规划路径的区域覆盖率要达
点),这就导致了较高的路径重复率。为了改善算
100%
到。法性能,将运动优先级策略加入其中,重新进行路
2)路径重复率径规划,其规划结果如图12所示,2种方法的对比
路径重复率R可以表示为:
R-试验结果如表1所示。
NN
R=L,(6)
RN
N
式中:L代表无人机飞行路径的长度,在栅格地
图中即为其所经过的栅格总数。
在任务背景下,区域覆盖率C=100%,使得
≥c
NNR
L。由于无人机续航能力有限,这就要求R
尽可能小,提高工作效率。

在二维环境中,模拟工作区域为25×25的栅
格地图,其中每一个栅格都赋值为1,用白色表示
未覆盖节点;或赋值为-1,用黑色表示障碍物节
点,障碍物为随机生成。地图的边界视为障碍物,
标记为黑色。初始起点设置在地图左下角,显示为
黑色实心圆。在地图中总计625个网格,其中待覆
盖节点(白色)504个,障碍物节点(黑色)121个,
仿真地图如图10所示。图11仅使用综合运动函数规划路径结果
9033
广西科技大学学报第卷
散的情况下,分解产生的子单元数量会非常大,导
致路径极易陷入死区。相较于本文算法,其陷入死
区的次数增加了11次,%,这就导致其
%,%。生
物激励神经网络算法的性能高于单元分解法,但该
算法设计比较复杂且使用微分计算来更新节点的活
性值,与本文直接对栅格进行操作相比,计算量大,
%。
表2不同路径规划算法性能比较
指标本文算法单元分解法生物神经算法
覆盖率/%100100100
路径长度/m555603576
陷入死区次数263726
路径重复率/%
路径规划时间/
图12加入运动优先级策略后路径规划结果

表1加入行动优先级策略前后算法性能对比
利用无人机进行桥梁病害检测时,实际工作环
指标加入优先级策略未加入优先级策略境是一个空中的三维空间。为了使仿真试验更加贴
覆盖率/%100100近实际工作环境,首先建立一个简单桥梁模型,包
路径长度/m555639括桥墩及桥板两部分,桥梁简易模型如图13所示。
陷入死区次数2642无人机的工作任务是拍摄桥梁所有外表面,主要是
桥墩外表面以及桥板下表面,因此,无人机的航线
路径重复率/%
需要遍历以上地点。使用本文中提出的三维全覆盖
路径规划时间/
路径规划算法对图13中的三维桥梁模型进行航线
2种方法都可达到区域全覆盖率,但加入运动
规划,其结果如图14所示。
%降低至
%;路径总长度从639降低至555;陷入死区次
数从42次降低至26次。由上可知,在加入了运动
优先级策略后,算法所规划的路径较之前有了较大
改善,将原本内螺旋型的线路更改为现有的往复式
线路,大大减小了路线发生缠绕及陷入死区的可能
性,同时逃离死区后的路径小于之前的路径重复
率。结果表明,运动优先级策略可以有效降低路径
重复率,缩短路径长度,有效提升无人机工作
效率。
目前全覆盖路径规划任务中使用比较多的方法图13简易桥梁三维模型
有单元分解法以及生物激励神经网络算法等。使用在图14中无人机的初始起点为(3,12,1)。在
以上2种算法对本文中的二维模拟地图进行全覆盖z=1层上,从初始起点开始,无人机沿桥墩外边沿
路径规划,使用覆盖率、路径长度、路径重复率、飞行一圈后,完成了对该高度的全覆盖;在到达该
路径规划时间以及陷入死区次数作为算法的性能指层最后一个可达节点(4,13,1)后(右侧桥墩暂时无法
标,结果如表2所示。通过表中数据可以看出,虽到达),开始寻找z=2层的起点,由于(4,13,2)不是
然3种方法的区域覆盖率都达到了100%,但从其障碍物节点,故将其作为z=2层的起点。重复以上
他性能指标来看,本文提出的算法更具优势。过程,直到完成所有高度层的二维全覆盖路径规
单元分解法在面对复杂地图、障碍物较多且分划。完成对z=6层的覆盖后,右侧仍存在未覆盖区
191
第期黄迎港等:复杂环境下无人机全覆盖路径规划混合算法研究
图14三维全覆盖路径规划结果
域,因此,寻找距离z=6层终点(12,36,6)最近的下主飞行,其地面站界面及路径规划效果如图15所
行点(11,35,6),以完成对右侧桥墩的覆盖,即完成示。其中,主界面分为:飞行数据显示区域、飞行
了桥梁模型的三维全覆盖路径规划。可以看出,本命令及控制区域和航线规划及地图显示区域。右侧
文提出的算法不仅能在二维环境中规避障碍物并实为本次桥检任务自动规划的航线,可以看出地面站
现全覆盖路径规划,而且在三维复杂环境下仍具有系统将算法规划的任务航点转化为地理坐标(经、
高效全覆盖路径规划能力。纬度和高度)形式并进行可视化显示。
该桥属于单拱桥,桥高4m,上设路灯等设

备,故无人机需对桥面及双侧桥墩进行航线覆盖,
经仿真验证后,将本文提出的全覆盖规划算法并确保机体在不与桥体及障碍物碰撞的前提下完成
嵌入自行开发的天星GXUST地面站平台,对位于桥梁检测任务。图16为航线细节图。使用直径
某大学东环校区内的宗元桥进行实际路径规划试70cm的四旋翼无人机进行实际测试,设定距飞机
验。在实机航线规划中将无人机视为一个质点,不中心80cm为安全飞行范围,初始航点1从桥左侧
考虑无人机的大小及外形,同时由于多旋翼无人机3m处出发,按z=1m依次升高,先对两侧桥墩进
卓越的机动性能,可以合理假设在飞行中无人机可行检测,随后对桥面进行往复式覆盖,最终降落在
以全方位运动,不受转向角及俯仰角的限制。测试桥面(航点177)。实机飞行路径表明,该路径对桥
过程中由地面站软件控制无人机沿规划路径进行自体的覆盖率达到100%、无路径重复率且成功避免
图15路径实际规划效果
9233
广西科技大学学报第卷
图16航线细节图
其陷入死区。在对该桥梁进行实测过程中,路径规[4]韩尧,[J/
划算法能够根据待检桥梁的三维重建模型规划出一OL].系统工程与电子技术,2021:1-9[2021-06-30].http://
..
html.
线,并实现避障功能。
[5]周克帅,*算法与人工势场算法移动机
3结束语器人路径规划[J].电子器件,2021,44(2):368-374.
[6]付兴武,
[J].电光与控制,2021,28(3):86-89.
本文所提出的全覆盖路径规划混合算法可适用
[7]王翼虎,
于复杂环境下的无人机路径规划。通过与单元分解
规划[J].计算机工程与科学,2020,42(9):1690-
法和生物神经算法进行比较后可知,该混合算法能1696.
高效完成对被检区域的路径规划任务,同时有效缩[8]白杰,杨根科,潘常春,
短航线总里程以提高检测效率;死区逃离策略可有的无人机路径规划[J].上海交通大学学报,2011,45
效减少陷入死区的次数;运动优先级的设置降低了(2):173-178.
路径重复率,减少了路径规划时间,提高了规划算[9]郝宗波,洪炳镕,
法的效率,并通过实机测试验证了该算法在实际复盖路径规划研究[J].计算机应用研究,2007(10):56-
杂环境下(桥梁检测)路径规划的有效性。58.
[10]韩忠华,毕开元,杨丽英,
翼无人机动态路径规划[J].中国惯性技术学报,2019,
参考文献27(3):366-372,377.
[11]陶德臣,祖家奎,
人直升机航线规划方法与实现技术[J].电子测量技术,
[1]杨俊成,李淑霞,,43(7):50-55,166.
展[J].控制工程,2017,24(7):1473-1480.[12]潘楠,陈启用,刘海石,
[2]周毅,李东武,孟浩,[J/OL].计算机集成制造系统,
机电力巡线中的应用[J].自动化技术与应用,2021,2021:1-17[2021-06-30]./
40(2):29-.
[3]伍鹏飞,李涛,曹广旭,[13]孙静,吴碧,许玉堂,
的无人战斗机路径规划[J].中国科技论文,2021,16迹规划方法研究[J].弹箭与制导学报,2014,34(3):
(3):301--174.
193
第期黄迎港等:复杂环境下无人机全覆盖路径规划混合算法研究
[14][16]徐亚妮,罗文广,
[J].测绘通报,2019(11):26-[J].广西科技大学学报,2018,29(3):
[15]唐博文,王智文,-56.
化学习避障研究[J].广西科技大学学报,2019,30[17]甘文洋,
(1):96-102,[J].系统仿真学报,2018,30(5):
1857-1863.
HybridalgorithmofUAVfullcoveragepathplanningin
complexenvironment
HUANGYinggang1,2,CHENKai1,LUOWenguang*1,2
(,ElectronicandComputerScience,GuangxiUniversityofScienceandTechnology,
Liuzhou545616,China;
(GuangxiUniversityofScienceandTechnology),Liuzhou545006,China)
Abstract:Ahybridstrategy-basedfullcoveragepathplanningalgorithmisproposedtosolvethe

algorithmiscomposedofcomprehensivemotionfunction,deadzoneescapestrategy,andmotion

mapandthesteeringconfidencefunctionconsideringtheenergyconsumptionoftheUAVasthebasis
forselectingthenextwaypoint;thedeadzoneescapestrategyiscomposedofringsearchandA-star
algorithm;themotionprioritystrategydesignisofleft-priority,down-priorityandstraight-priorityto
reducetheplannedpathwinding,deadzoneandnodeduplicationwhentheUAVencountersobstacles,

proposedalgorithmissuitableforUAVpathplanningincomplexenvironmentsandcaneffectively
reducethenumberofdeadzones,pathrepetitionrateandpathplanningtime.
Keywords:unmannedaerialvehicle;pathplanning;complexenvironment;fullcoverage;hybrid
algorithm
(责任编辑:黎娅)