复杂桥梁巡检中无人机安全自适应轨迹规划OA

针对复杂桥梁环境下无人机巡检路径规划易陷入局部最优及收敛速度慢的问题,提出一种融合拉丁超立方采样(Latin hypercube sampling,LHS)与麻雀搜索机制的人工旅鼠算法(LHS and sparrow searchbased artificial lemming algorithm,LSS-ALA).针对巡检任务多维约束,基于构件表面法向量向外推移构建安全观测空间模型,将复杂避障问题转化为静态边界约束.针对标准算法缺陷改进寻优逻辑,利用LHS的空间分层均匀性优化种群初始化,缓解随机样本在解空间的分布不均问题,提高初始解质量;引入麻雀搜索算法的“发现者-追随者”警戒机制重构位置更新规则,在种群陷入局部停滞时执行位置扰动,引导种群向全局最优区域收敛,增强算法跳出局部极值的能力;结合非线性自适应权重策略,动态调节迭代过程的搜索步长与开发比重.采用3次B样条插值生成符合动力学的平滑轨迹.利用IEEE进化计算大会2022(Congress on Evolutionary Computation 2022,CEC2022)基准测试集与某大跨度斜拉桥模型进行仿真验证.结果表明,与冠豪猪优化算法、白蚁生命周期优化算法、灰狼优化算法、减法平均优化算法及人工旅鼠算法相比,LSS-ALA求得的最短安全路径较灰狼优化算法缩减17.2%,多次独立运行的标准差低至21.36 m,且累计转弯角度较减法平均优化算法降低27.6%,在显著提升收敛精度与鲁棒性的同时,有效保障了巡检轨迹的高平滑度.