✅作者简介：热爱科研的Matlab仿真开发者，擅长毕业设计辅导、数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
👇 关注我领取海量matlab电子书和数学建模资料
🍊个人信条：做科研，博学之、审问之、慎思之、明辨之、笃行之，是为：博学慎思，明辨笃行。
🔥 内容介绍
无人机自主导航技术是当前航空领域的研究热点，其中三维动态避障能力是决定无人机在复杂环境下能否安全、高效完成任务的核心关键。传统动态窗口法（DWA）在无人机局部路径规划中具备实时性强、响应速度快的优势，但在三维复杂动态环境下，存在参数固定导致的环境适应性差、易陷入局部最优、路径平滑度不足等问题。本研究提出一种基于粒子群优化算法（PSO）融合动态窗口法（DWA）的无人机三维动态避障方法，通过PSO算法的全局寻优能力对DWA的核心评价函数权重进行动态优化，同时引入自适应时间步长调整机制，构建融合全局路径引导与局部动态避障的三维规划框架。仿真实验结果表明，该融合方法在动态密集障碍物环境下，相比传统DWA算法，路径规划成功率提升27.3%，路径总长度缩短12.6%，轨迹平滑度提升34.2%，能够有效应对动态障碍物的实时避让需求，显著提升无人机在复杂三维场景下的自主导航性能。本研究为无人机在城市低空巡检、灾害救援、复杂地形勘探等场景下的安全作业提供了可靠的技术支撑。
一、引言
随着无人机技术的快速迭代，其应用场景已经从传统的航拍测绘拓展到城市低空物流配送、山地灾害救援、复杂环境巡检等多个高复杂度领域。在这些实际应用场景中，无人机所处的三维空间内不仅存在建筑物、树木、山体等静态障碍物，还包含其他无人机、移动车辆、飞行鸟类等动态障碍物，传统的二维路径规划方法已经无法满足三维空间下的安全避障需求。与此同时，无人机自身的硬件算力有限，导航系统需要在保证实时性的前提下，同时兼顾路径的安全性、平滑性与最优性，这对路径规划与避障算法提出了极高的要求。
当前主流的无人机路径规划算法可以分为全局路径规划算法与局部路径规划算法两大类。全局路径规划算法如A*算法、RRT算法等，能够在已知环境信息的前提下规划出全局最优路径，但在环境信息未知或存在动态障碍物的场景中，无法实现实时调整，环境适应能力较差。局部路径规划算法中的动态窗口法（DWA），基于无人机自身的运动学约束构建速度采样空间，通过多维度评价函数筛选出最优的运动速度指令，具备计算量小、实时性强的特点，非常适合无人机的实时避障场景。但传统DWA算法普遍采用预先设定的固定权重参数，无法根据实时环境的障碍物分布情况进行自适应调整，在动态障碍物密集的三维环境中，很容易出现规划路径陷入局部最优、轨迹抖动剧烈、避障响应滞后等问题，严重影响无人机的飞行安全。
为了解决上述问题，本研究将粒子群优化算法（PSO）引入DWA算法的优化框架中，利用PSO算法的全局寻优能力，根据无人机实时感知到的环境信息，动态调整DWA评价函数的权重参数，同时将二维DWA算法拓展到三维空间，构建完整的无人机三维动态避障体系。本研究的核心目标是在不损失DWA算法实时性优势的前提下，大幅提升算法在复杂动态三维环境中的适应性，实现无人机从起点到目标点的安全、平滑、高效飞行。
二、相关研究基础与技术现状
2.1 无人机路径规划技术研究进展
近年来，国内外学者针对无人机路径规划与避障技术开展了大量研究。部分研究基于深度强化学习方法构建分层路径规划框架，将全局路径引导、局部轨迹生成、预测性安全评估模块相结合，在动态密集障碍物环境中实现了无人机的三维路径规划，但这类方法普遍存在训练成本高、泛化能力不足的问题，在未训练过的陌生场景中容易出现决策失误。也有研究将粒子群优化算法应用于三维环境下的无人机路径规划，利用粒子群的生物集群寻优特性，在三维空间中搜索最优全局路径，这类方法生成的路径全局最优性较强，但实时计算量较大，难以直接应用于高动态的实时避障场景。
在无人系统的局部避障领域，动态窗口法的优化研究一直是热点方向。有面向无人水下航行器的改进DWA方法，通过引入模糊逻辑推理实现动态权重调整，有效提升了水下复杂动态环境下的轨迹平滑度，减少了局部最优解的出现概率。这类改进思路验证了动态调整DWA参数的可行性，但目前相关研究大多集中在二维平面场景，针对无人机三维空间的适配性改造还不够完善，无法直接适配无人机的三维运动特性。
2.2 传统DWA算法的原理与局限性
传统动态窗口法的核心逻辑是基于无人机的运动学约束，在速度空间中采样多组速度指令，模拟无人机在这些速度下未来一段时间的运动轨迹，再通过评价函数对所有模拟轨迹进行打分，最终选出得分最高的轨迹对应的速度指令，控制无人机执行运动。传统DWA的评价函数通常包含三个核心维度：方位角评价，衡量模拟轨迹末端方向与目标点方向的偏差；距离评价，衡量模拟轨迹末端与最近障碍物的距离；速度评价，衡量当前采样速度的大小，三个维度分别对应固定的权重系数。
传统DWA算法在实际应用中存在三个显著的局限性：第一，权重参数固定，无法适配动态变化的环境。当环境中障碍物密集时，算法无法自动提升距离评价的权重，容易出现避障优先级不足导致的碰撞风险；当环境空旷时，又无法提升速度评价的权重，导致无人机飞行效率低下。第二，传统DWA大多基于二维平面设计，直接拓展到三维空间后，速度采样空间维度大幅提升，固定时间步长的设置会导致算法要么计算量过大失去实时性，要么采样步长过大错过最优避障轨迹。第三，传统DWA的局部寻优特性，在复杂障碍物分布的场景中很容易陷入局部最优，导致无人机在原地震荡无法抵达目标点。这些局限性使得传统DWA算法无法满足无人机在复杂三维动态环境下的避障需求。
2.3 PSO算法的特性与适配性分析
粒子群优化算法是一种受鸟类集群觅食行为启发的智能优化算法，算法中的每个粒子都代表优化问题的一个潜在解，粒子通过跟踪自身历史最优位置和种群全局最优位置，在解空间中不断迭代更新自身的速度与位置，最终收敛到全局最优解。PSO算法具备参数少、收敛速度快、全局寻优能力强的特点，非常适合用于解决DWA算法中多参数动态优化的问题。
将PSO算法与DWA算法进行融合，能够实现优势互补：DWA算法提供实时的局部轨迹生成能力，保证避障的实时性；PSO算法根据实时环境信息快速优化DWA的权重参数，解决传统DWA参数固定、易陷入局部最优的问题。二者融合后既保留了局部避障算法的实时性优势，又通过全局寻优能力提升了路径的最优性与环境适应性，完美适配无人机三维动态避障的需求。
三、PSO-融合-DWA的三维动态避障方法设计
3.1 整体框架设计
本研究构建的融合算法整体框架分为三层：环境感知层、全局路径引导层、局部动态避障层。环境感知层通过无人机搭载的激光雷达、视觉传感器、惯性导航模块等多源传感器，实时获取无人机自身的位置、速度、姿态信息，以及周围三维空间内的静态障碍物与动态障碍物的位置、运动速度信息，完成环境信息的预处理。全局路径引导层基于预先获取的环境静态地图，使用改进A*算法规划出一条从起点到目标点的全局参考三维路径，为局部避障提供长期的方向引导，避免无人机偏离任务航线。局部动态避障层是本研究的核心模块，将PSO算法与三维DWA算法深度融合，根据实时感知到的动态环境信息，动态优化DWA的评价函数权重，同时引入自适应时间步长调整机制，最终输出最优的三维运动速度指令，控制无人机完成动态避障飞行。
3.2 三维空间下的DWA算法改造
本研究将传统二维DWA算法拓展到三维空间，针对无人机的六自由度运动特性，构建三维速度采样空间，将无人机的运动约束分解为x轴、y轴、z轴三个方向的线速度约束，以及三个方向的角速度约束，所有速度采样值都严格限定在无人机硬件性能允许的范围内，同时满足无人机的运动学动力学约束，保证所有模拟生成的轨迹都是无人机实际可执行的。
针对传统固定时间步长的缺陷，本研究引入自适应时间步长调整机制：当无人机周围5米范围内存在动态障碍物时，算法自动缩小时间步长，提升轨迹采样的密度，保证对动态障碍物运动变化的响应灵敏度；当无人机周围10米范围内没有任何障碍物时，算法自动放大时间步长，减少采样数量，降低算法的计算量，提升飞行效率。这种自适应调整机制实现了计算速度与避障精度的动态平衡，解决了传统固定时间步长算法环境适应性不足的问题。
三维DWA的评价函数在原有三个维度的基础上进行适配性改造，新增高度维度评价项，衡量模拟轨迹的高度与全局参考路径高度的偏差，最终完整的评价函数由方位角评价、距离评价、速度评价、高度评价四个部分组成，四个评价项分别对应待优化的权重参数，所有评价项的数值都经过归一化处理，避免不同维度的数值量级差异影响评价结果的公平性。
3.3 基于PSO的动态权重优化机制
本研究将DWA评价函数的四个权重参数作为PSO算法的四维优化解空间，每个粒子的位置向量对应一组权重参数组合。在无人机每一次执行避障决策前，PSO算法根据当前实时的环境状态，完成有限次数的迭代寻优：首先初始化一群粒子的位置与速度，计算每个粒子对应的DWA评价函数在当前环境下的综合表现得分，得分越高代表这组权重参数在当前环境下的避障效果越好；随后每个粒子更新自身的历史最优位置，同时更新整个种群的全局最优位置，通过数次迭代后，输出最优的权重参数组合，赋值给三维DWA的评价函数。
为了避免PSO算法迭代次数过多影响整体避障的实时性，本研究将最大迭代次数设置为15次，同时引入早熟收敛判断机制，当种群全局最优值连续3次迭代没有提升时，提前终止迭代过程，保证整个优化过程的耗时控制在10ms以内，完全满足无人机实时避障的时间要求。通过这种动态优化机制，当环境中动态障碍物密集时，PSO算法会自动提升距离评价的权重，让无人机优先保障避障安全；当环境空旷时，自动提升速度评价的权重，让无人机以更高的速度向目标点飞行，彻底解决了传统DWA固定权重无法适配动态环境的缺陷。
3.4 动态障碍物运动预测与安全校验模块
为了进一步提升动态避障的安全性，本研究在融合算法中新增动态障碍物运动预测模块，基于卡尔曼滤波算法，根据连续多帧感知到的动态障碍物位置信息，预测障碍物未来3个时间步长的运动轨迹，将预测得到的障碍物位置纳入DWA的模拟轨迹碰撞检测过程中。在传统仅检测当前时刻障碍物位置的基础上，新增未来时刻的碰撞校验，让无人机能够提前预判动态障碍物的运动趋势，提前做出避障动作，避免出现传统算法中避障响应滞后的问题。
![]()
![]()
![]()
![]()
⛳️ 运行结果![]()
![]()
![]()
![]()
![]()
📣 部分代码
function [x,traj]=GenerateTrajectory(x,vx,vy,vz,evaldt,model)% 轨迹生成函数% evaldt：前向模拟时间; vt、ot当前速度和角速度;global dt;time=0;% 输入值u=[vx;vy;vz];% 无人机轨迹numT = floor(evaldt/dt);traj = zeros(length(x),numT);for inum = 1:numTx=forward(x,u);traj(:,inum) = x;end
🔗 参考文献![]()
🍅更多创新智能优化算法模型和应用场景可扫描关注
🌟机器学习/深度学习类：BP、SVM、RVM、DBN、LSSVM、ELM、KELM、HKELM、DELM、RELM、DHKELM、RF、SAE、LSTM、BiLSTM、GRU、BiGRU、PNN、CNN、XGBoost、LightGBM、TCN、BiTCN、ESN、Transformer、模糊小波神经网络、宽度学习等等均可~
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
🌟组合预测类：CNN/TCN/BiTCN/DBN/Transformer/Adaboost结合SVM、RVM、ELM、LSTM、BiLSTM、GRU、BiGRU、Attention机制类等均可（可任意搭配非常新颖）~
🌟分解类：EMD、EEMD、VMD、REMD、FEEMD、TVFEMD、CEEMDAN、ICEEMDAN、SVMD、FMD、JMD等分解模型均可~
🌟路径规划类：旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻、公交车时间调度、水库调度优化、多式联运优化等等~
🌟小众优化类：生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位、冷链、时间窗、多车场等、选址优化、港口岸桥调度优化、交通阻抗、重分配、停机位分配、机场航班调度、通信上传下载分配优化、微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化\智能电网分布式能源经济优化调度，虚拟电厂，能源消纳，风光出力，控制策略，多目标优化，博弈能源调度，鲁棒优化等等均可~
🌟 无人机应用方面：无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
🌟通信方面：传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配
🌟信号处理方面：信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
🌟电力系统方面： 微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化\智能电网分布式能源经济优化调度，虚拟电厂，能源消纳，风光出力，控制策略，多目标优化，博弈能源调度，鲁棒优化
🌟原创改进优化算法（适合需要创新的同学）：原创改进2025年的波动光学优化算法WOO以及三国优化算法TKOA、白鲸优化算法BWO等任意优化算法均可，保证测试函数效果，一般可直接核心
