李安醍，武丁杰，李诚龙

(中国民用航空飞行学院，四川 广汉 618000)

摘 要：随着民用无人机技术的广泛应用，将无人机融入国家空域，与有人机共享空域在低空开展飞行任务的做法已成为今后发展的趋势。无人机“感知避让”系统对于未来在融合空域内安全航行起着至关重要的作用，其中,自主避障算法是保证整个系统高效运行的关键部分。目前，对无人机自主避障算法的研究已经十分深入。根据避障算法的特点和避障机制对现有的避障算法进行分类，并在此基础上对每一种类型的算法展开详细介绍，阐述其优点以及局限性，最后展望了无人机自主避障算法的发展方向。

关键词：无人机；避障算法；路径规划；低空

0 引言

民用无人机作为先进生产力的重要载体，被广泛应用于环境监测、搜救、交通监控、物流货运、农林植保、航拍摄影、城市巡查、遥感探测等多个领域。考虑到相关技术以及运行安全等因素，目前民用无人机大多被要求在隔离空域运行[1]。然而，将无人机限制在特定空域内，与有人机进行隔离运行的做法，已无法适应于目前对无人机日益增长的需求。欧美等航空业发达国家及地区提出了融合空域的概念，旨在将无人机系统集成于现有低空空域内，与有人机共同运行[2-4]。在低空环境下，无人机不仅要面对如地形、建筑物等静态障碍以及其他动态障碍，同时还要面对空域内的其他飞行器。

低空环境下运行对无人机自主飞行技术的安全性提出了更大的挑战，其中保证无人机安全自主飞行的关键在于自主避障算法。本文将根据求解方式、机动轨迹、关联感知检测机制等要素的总体特点，把无人机自主避障算法分为几何法、路径规划法、数值求解法3种类型，并对每一类方法展开详细阐述。

1 几何算法

在几何算法中，无人机通常被看作是具有一定速度的质点，根据无人机之间的相对速度、相对位置、航向等信息建立几何关系,从而在线计算避障轨迹。

1.1 最接近点法

2008年，PARK等[5]在最接近点法(Point of Closest Approach，PCA)[6]的基础上提出矢量共享解脱法(Vector Sharing Approach,VSA)，其通过在解脱距离矢量rm上分别构建两架无人机的共享矢量，实现无人机自主避障，如图1所示，其中，rVSA，rVSB以及vA，vB分别代表无人机A与无人机B的共享矢量和速度，但是该算法需要无人机在避障过程中保持恒定的速度。其次，对于多机冲突，由于需要处理所有无人机之间的几何关系，导致计算量增大，无法满足实时性。

   

图1 矢量共享解脱法
Fig.1 Vector sharing approach

针对PCA算法难以适用于多机冲突以及无人机之间未建立通信的情形，CHOI等[7]在PCA的基础上提出了一种反应式实时避障算法。该算法将无人机的速度矢量以显式形式表示，并将其转化为安全边界集合，然后沿安全边界进行采样并投影到有限路径角区域，有限路径角区域提供了无人机在不发生碰撞的情况下移动的方向。但是，有限路径角区域所提供的避障方向可能超出无人机性能范围，导致无人机无法准确沿着期望轨迹进行机动。此外，由于传感器存在误差，其投影的有限路径角区域可能将不再是有效的避障方向。

1.2 碰撞锥法

HAN等[8]在碰撞锥(Collision Cone Approach,CCA)[9]的基础上，提出了一种基于比例导航的避障算法，该算法利用碰撞锥进行冲突检测。无人机通过从导航模式转换为避障模式，并将碰撞锥中的相对速度矢量引导为避障矢量来求解避障轨迹。该算法能够利用无人机传感器或机载通信有效地实现对不同初始条件下目标飞行器的实时避障。但是该算法只有当入侵机以恒定的速度矢量移动时，才能得到最优导航系数，否则算法无法收敛，造成避障失效。

SMITH等[10]提出了聚合碰撞锥法，并将其推广至多机冲突的情况。该算法通过碰撞锥在水平面和垂直面形成一个锥体，因此无人机仅能在水平或垂直两个面上避障，而无法在三维空间下任意机动，降低了在高密度障碍下的避障效率。此外，在垂直面中，圆柱体以矩形的形式出现，所以必须将矩形分解为圆，其降低了算法的实时性。

LIN等[11]提出灵活几何算法(Fast Geometric Avoi- dance,FGA)，该算法通过碰撞锥检测冲突情况并利用PCA选择临界避障时间，最后结合微分几何的思路求解避障轨迹。但是该算法假设传感器为理想状态，且无人机只能在恒定速度下以固定大小的倾斜角和俯仰角进行避障机动，而未考虑更多运动约束条件。

1.3 速度障碍法

速度障碍法(Velocity Obstacle,VO)[12]在碰撞锥模型的基础上将碰撞锥沿速度矢量VB进行平移，其平移后的几何图形便是无人机A对于无人机B的速度障碍，如图2所示。基于速度障碍法的典型改进算法有RVO[13]，HRVO[14]，ORCA[15]等。

   

图2 速度障碍法
Fig.2 Velocity obstacle approach

JENIE等[16]针对无人机在航线上飞行时发生冲突的情况，参考有人机目视飞行规则(VFR)提出选择速度障碍法(Selective Velocity Obstacle,SVO)。选择速度障碍法使得无人机在遵循一定的飞行规则情况下进行避障，同时最大程度地限制无人机偏离原来航线的距离。该算法的局限性在于需要人为建立避障规则体系，无法对不执行该规则的入侵机进行有效避障。

针对速度障碍法仅能解决二维平面上运动体的碰撞问题，文献[17]提出三维速度障碍法(3DVO)。三维速度障碍法将保护区设定为球体，并引入缓冲速度集(Buffer Velocity,BV)的概念以确保无人机有额外的机动空间进行避障。但是，由于其求解过程涉及到对每个避碰平面的迭代，算法的实时性受到限制。

由于在文献[17]中，当避让面与速度障碍圆锥相交，但不与速度障碍圆锥的对称线相交时，会产生双曲线误差。对此，TAN等[18]提出对代表圆锥截面的方程进行修正，以消除双曲线的误差，同时提出金字塔锥法，将长方体形状的静态障碍建模为圆柱形保护区。但是金字塔锥法对于静态障碍保护区的建立方法，无法适用于长宽差别很大的长方体，如图3所示。

   

图3 算法适用范围
Fig.3 Applicable range of the algorithm

2 路径规划法

路径规划是按照预先设定的指标在起始点和终止点之间选择出一条最优或次优的无碰撞路径，其本质是在约束条件下得到最优解或可行解的过程。

2.1 图搜索法

应用于无人机避障的图搜索法通常有A*算法及其改进算法如D*[19-20]，D* lite[21-22]，LPA*[23]等。

针对原始A*算法仅能在静态环境下提供路径规划[24]的问题，HWANGBO等[25]提出用于小型固定翼无人机的两段式避障算法。该算法首先在离散的三维空间中计算出满足无人机运动约束的最优无碰撞路径，然后利用局部运动规划器计算出基于Dubins曲线具有更高细节层次且更精确的运动轨迹。当需要细化路径时，利用局部运动规划器进行迭代，直到抵达目标点。该算法局限性在于随着空域的增大和复杂化，一方面计算复杂度明显增加，另一方面可能没有足够的精度来规划有效、无碰撞的路径。

针对A*算法搜索空间增大导致算法实时性下降的问题，黄文刚等[26]提出使用变步长稀疏A*算法。当无人机在安全区域时，采用较大的搜索步长以提高实时性，而在遭遇冲突时，则缩小搜索步长以保证搜索精度和鲁棒性，防止无人机发生碰撞。但是较小的搜索步长会导致算法效率下降，可能无法面对突发的多重威胁情形。

针对同一高度上两机冲突问题，宋雪倩等[27]提出利用Dubins曲线结合A*算法分别为工作区域内的无人机构建最短避障路径，当出现两机冲突情况时，通过矢量共享法求解航向偏离量，实时重规划两机的飞行路径避免发生碰撞。该算法综合了Dubins曲线、矢量共享法和A*算法的优点，保证了路径的光滑和可飞性。但是该算法需要将障碍物建模为圆形，并且无人机之间的避障依赖于一个集中式的规划器，在高密度多机冲突情景下，其规划器的实时性将面临巨大挑战。

2.2 采样法

针对搜索类算法在多维状态空间下容易出现“维数灾难”的问题，可采取基于采样的方法，例如快速扩展随机树(Rapidly-exploring Random Tree,RRT)[28]及其改进算法RRT*[29]以实现渐近最优。

AGUILAR等[30]提出RRT* GL算法，其结合了RRT*目标算法以及RRT*限制算法的特点，在降低寻找可靠解计算成本的同时，增加了路径周围的树枝密度，从而产生一个更短的路径而不会增加迭代次数。但是该算法仅能实现渐近最优，即在有限的时间内仅能得到次优解。

LIN等[31]提出闭环快速扩展随机树算法(Closed-Loop RRT),其采用了简化节点连接策略并利用轨迹上的中间点来提高算法规划效率。其次，该算法采用了可达集的方法来预测碰撞，从而有效实现在线重规划。但是，对于无人机之间的碰撞情形，该算法被简化成二维平面，因此无法应用于三维空间避障。

MECHALI等[32]提出对RRT*算法生成的最终路径进行平滑和修正，以降低飞行过程中的能量消耗。但是，该算法在通过多次迭代实现全局最优的同时，消耗了大量的时间。其次，环境改变会导致迭代次数增加，进一步降低算法效率。因此，该算法无法应用于动态环境下的无人机避障。

2.3 人工势场法

人工势场法是由KHATIB[33]提出的一种虚拟力场方法，其基本思想是假设机器人处于人为的虚拟势场环境之中。

LIU等[34]将人工势场法拓展到三维空间下，并结合李雅普诺夫稳定性定理避免无人机陷入局部最小点。该算法能够使无人机在动态或静态环境下有效避障，但是其避障路径并不能保证全局最优性。

BUDIYANTO等[35]为工作区域内的每一架无人机设置排斥力场，从而实现了无人机之间的动态避障。但是该算法需要提前为动态目标设置排斥力场，无法面对突然入侵工作区域的动态障碍。

熊超等[36]提出结合碰撞锥的改进人工势场算法。该算法利用碰撞锥的碰撞检测机制，设计障碍物斥力势场判定其系数,以排除由无关障碍物势场产生的不利影响。同时，通过设计模糊斥力增益调节系数来防止无人机陷入局部最优。但是，该算法需要提前针对环境设计调节系数，当无人机处于不确定环境中时，其可能对无人机的运动造成负面影响。

3 数值求解法

数值求解法是将无人机碰撞过程抽象为数学模型，在指定的运动约束条件下通过数值运算等方式求得当前状态下的最优解，即偏离原方向程度最小的避障飞行动作或航迹。

3.1 最优化法

SUNBERG等[37]提出近似动态规划的算法用于无人机避障。该算法基于插值网格，并采用线性值函数逼近产生的策略提高无人机避障性能。但是该算法对于计算空间的要求较高，难以在高维空间下求得最优解，所以只考虑了二维平面上的避障。其次，该算法假设传感器处于理想状态，而在真实环境下若受到噪声影响，插值得到的结果会出现较大的误差，从而影响避障效果。

DE WAEN等[38]采用Theta*算法快速规划出一条连接起止点的无碰撞路径，然后将路径进行分割，通过MILP求解每一段轨迹，最后根据无人机外形和运动约束条件生成连续凸形安全区域。但是将路径进行分割逐一通过MILP求解只能实现局部最优，并且如果加入更多约束条件会造成求解时间显著增加。

宋敏等[39]提出一种基于非线性模型预测控制(NMPC)的无人机非合作式避障算法。该算法以无人机的位置和速度关系建立相撞冲突判决准则，其次，构建无人机避障机动决策树，并通过剪枝搜索方法提高算法效率。但是该算法随着预测时域的增加，求解时间将显著延长，并且该算法假设每架无人机所提供的信息都是确定可靠的，而未考虑到不确定性因素对算法鲁棒性的影响。

3.2 马尔可夫决策过程

马尔可夫决策过程(Markov Decision Process,MDP)最早由BELLMAN[40]提出，其用于具有马尔可夫性质的环境中，通过模拟智能体与环境交互获得回报，是在不确定性动态系统中最优化的决策方法。

针对多旋翼无人机在不确定环境下的避障问题，MUELLER等[41]提出将无人机碰撞过程表述为部分可观察马尔可夫决策过程，并通过值迭代求解可行的避障动作。但是该算法需要通过离线调整参数以达到最佳效果，无法适用于不同情形下的应用。其次，该算法为了保证实时性，需要将无人机速度、位置等状态信息进行离散化处理，这意味着无人机速度无法在性能限制内进行连续变化。

BERTRAM等[42]提出基于马尔可夫决策过程的多智能体分布轨迹规划算法，通过构建正负奖励以适应三维环境不同高度下的避障。但是该算法需要根据空域内的环境特征提前构建负值奖励，无法适用于陌生环境，并且不能保证避障机动时的最小化轨迹偏离程度。

针对利用蒙特卡罗树搜索解决无人机避障无法获得最优航迹以及在面对凹形障碍时算法性能下降的问题，文献[43]提出结合跳点搜索算法在全局规划上的优势，建立离散路径点引导无人机，同时将线性系数引入奖励函数来权衡无人机在避障过程中避障效率和最优路径的关系。但是该算法需要通过先验的地形环境来建立路径点，不适用于陌生环境。此外，路径点的间隔距离无法自适应，不能直接应用于任何场景，其算法的通用性有待提高。

3.3 智能算法

JULIAN等[44]提出采用压缩深度神经网络以优化避障策略中的离散数值表，通过非对称损失函数和梯度下降算法对数值表进行逼近，从而得到一个近似表。但是该算法依赖于原始数值表的性能，由于采用了集中式的方法控制无人机避障，只能应用于合作式避障。当无人机面对外来入侵飞行器或者其他非合作动态障碍时，无人机将无法独立进行避障。

HAN等[45]将动态障碍物环境下的三维避障问题建模为连续状态下的马尔可夫决策过程。该算法不需要对状态空间进行离散化处理，无人机能以连续的速度进行避障机动。但是该算法需要进行离线学习，并且在外部噪声影响下容易出现过拟合的情况。

苏黎世大学无人机团队专注于利用视觉摄像头感知环境，并结合机器学习的方法解决无人机避障问题。2015年,该团队实现在森林环境下采用基于深度神经网络的微型四轴无人机进行自主避障飞行[46]。2018年，该团队提出DroNet算法[47]，是一种可以实现无人机在城市街道环境下安全飞行的卷积神经网络。2020年,该团队在无人机视觉避障过程中采用了一种名为“事件相机”的新型摄像头[48]，从而使无人机快速感知周围环境。但是该类方法所面临的问题在于过度依赖硬件性能，例如相机容易受到光照的影响、镜头视场存在局限等。除此之外，这类方法需要采集数据集并提供给算法训练学习，且该类避障算法的泛化能力也有待验证。

4 结论

几何类算法从无人机与障碍物的相对几何关系入手解决避障问题，具有求解迅速的特点。但是对于复杂环境，几何关系的构建将变得困难，求解难度也将增加。此外，由于几何关系的构建依赖于相对速度、位置等信息，对于环境状态信息敏感，容易受到噪声影响。

路径规划类算法采用离线预规划或在线重规划的方式指导无人机的飞行轨迹。虽然采用图搜索的方法能够获取一条全局最优的路径，但是存在高维空间下的搜索效率降低的问题；基于采样法(如RRT算法)虽然能够适用于高维空间动态规划，但是该方法为概率完备，当无人机处于某些狭窄通道时，其算法收敛速度未知；势场法虽然求解迅速，但是需要人为设定力场函数，且容易存在局部最小点。

数值求解法能够充分利用环境状态信息、无人机飞行动态数据等信息，具有良好的鲁棒性。但是对于复杂的高维空间，传统方法将难以建立模型，而智能算法的避障性能依赖于数据集的质量。

当前各类避障算法具有各自的优点和特性，同时也存在自身的局限性。因此，可采用多种方法结合的方式来解决不同情况下的无人机避障问题。今后，针对民用无人机在融合空域内低空环境下运行这一情景，可根据无人机性能划分不同的飞行高度层，在空域内飞行的无人机需要向统一的无人机管理平台实时上报飞行动态数据，以提供合作式避障支持。同时，对于进行自主飞行的无人机还必须支持非合作式避障，以应对非法入侵的飞行器。对于执行定期飞行任务的无人机来说，可考虑划设固定航线并接入集中式系统进行统一调度。当该类无人机在航线上产生冲突时，则可按照飞行规则或根据集中式系统的指令来进行相互避让。此外，空域内的有人驾驶航空器和载人航空器应具有最高优先级，无人机必须主动进行避让以保持与该类飞行器的安全间隔。

参 考 文 献

[1] International Civil Aviation Organization.Unmanned Aircraft Systems (UAS):ICAO CIRCULAR 328-2011[S].Montreal:International Civil Aviation Organization,2011.

[2] COOKSP,BROOKSD.A quantitative metric to enable unmanned aircraft systems to remain well clear[J].Air Traffic Control Quarterly，2015,23(2/3):137-156.

[3] United States Department of Defense (DoD).Unmanned aircraft system airspace integration plan:Version 2.0[S].Washington:United States Department of Defense,2011.

[4] DALAMAGKIDISK,VALAVANISK P,PIEGLL A.On integrating unmanned aircraft systems into the national airspace system:issues,challenges,operational restrictions, certification, and recommendations[M].2nd ed.Dordrecht: Springer Netherlands,2012.

[5] PARK J W,OH H D,TAHK M J.UAV collision avoidance based on geometric approach[C]//SICE Annual Conference,2008:2122-2126.

[6] KROZEL J,PETERS M.Strategic conflict detection and resolution for free flight[C]//Proceedings of the 36th IEEE Conference on Decision and Control,1997:1822-1828.

[7] CHOI H,KIM Y,LEE Y,et al.A reactive collision avoidance algorithm for multiple midair unmanned aerial vehicles[J].Transactions of the Japan Society for Aeronautical and Space Sciences,2013,56(1):15-24.

[8] HAN S C,BANG H,YOO C S.Proportional navigation-based collision avoidance for UAVs[J].International Journal of Control,Automation and Systems,2009,7(4):553-565.

[9] CHAKRAVARTHY A,GHOSE D.Obstacle avoidance in a dynamic environment:a collision cone approach[J].IEEE Transactions on Systems,Man,and Cybernetics,Part A:Systems and Humans,1998,28(5):562-574.

[10] SMITH A L,HARMON F G.UAS collision avoidance algorithm based on an aggregate collision cone approach[J].Journal of Aerospace Engineering,2011,24(4):463-477.

[11] LIN Z J,CASTANO L,MORTIMER E,et al.Fast 3D collision avoidance algorithm for fixed wing UAS[J].Journal of Intelligent & Robotic Systems,2020,97:577-604.

[12] FIORINI P,SHILLER Z.Motion planning in dynamic environments using velocity obstacles[J].The International Journal of Robotics Research,1998,17(7):760-772.

[13] VAN DEN BERG J,GUY S J,LIN M,et al.Reciprocal n-body collision avoidance[C]//The 14th International Symposium of Robotic Research,2009：3-19.

[14] SNAPE J,VAN DEN BERG J,GUY S J,et al.The hybrid reciprocal velocity obstacle[J].IEEE Transactions on Robotics,2011,27(4):696-706.

[15] VAN DEN BERG J,GUY S J,LIN M,et al.Optimal reciprocal collision avoidance for multi-agent navigation[C]//Proceedings of the IEEE International Conference on Robotics and Automation,2010:1-8.

[16] JENIE Y I,VAN KAMPEN E J,DE VISSER C C,et al.Selective velocity obstacle method for deconflicting maneuvers applied to unmanned aerial vehicles[J].Journal of Guidance,Control,and Dynamics,2015,38(6):1140-1146.

[17] JENIE Y I,VAN KAMPEN E J,DE VISSER C C,et al.Three-dimensional velocity obstacle method for UAV’s uncoordinated avoidance maneuver[C]//AIAA Guidance,Navigation,and Control Conference,2016:1-16.

[18] TAN C Y,HUANG S,TAN K K,et al.Three dimensional collision avoidance for multi unmanned aerial vehicles using velocity obstacle[J].Journal of Intelligent & Robotic Systems,2020,97:227-248.

[19] STENTZ A.The focused D* algorithm for real-time replanning[C]//Proceedings of the 14th International Joint Conference on Artificial Intelligence,1995:1652-1659.

[20] STENTZ A.Optimal and efficient path planning for partially-known environments[C]//Proceedings of the 1994 IEEE International Conference on Robotics and Automation,1994:3310-3317.

[21] KOENIG S,LIKHACHEV M.D* lite[C]//Proceedings of AAAI,2002:476-483.

[22] 陈侠，刘冬.应用D*Lite算法的目标移动时无人机三维航迹规划[J].电光与控制,2013,20(7):1-5.

[23] KOENIG S,LIKHACHEV M,FURCY D.Lifelong planning A*[J].Artificial Intelligence,2004,155(1/2):93-146.

[24] HART P E,NILSSON N J,RAPHAEL B.A formal basis for the heuristic determination of minimum cost paths[J].IEEE Transactions on Systems Science and Cybernetics,1968,4(2):100-107.

[25] HWANGBO M,KUFFNER J,KANADE T.Efficient two-phase 3D motion planning for small fixed-wing UAVs[C]//IEEE International Conference on Robotics and Automation,2007:1035-1041.

[26] 黄文刚，张怡，姜文毅，等.变步长稀疏A*算法的无人机航路规划[J].计算机工程与应用,2012,48(29):206-209.

[27] 宋雪倩，胡士强.基于Dubins路径的A*算法的多无人机路径规划[J].电光与控制,2018,25(11):25-29.

[28] LAVALLE S M,KUFFNER J J.Randomized kinodynamic planning[C]//IEEE International Conference on Robotics and Automation,1999:473-479.

[29] KARAMAN S,FRAZZOLI E.Sampling-based algorithms for optimal motion planning[J].International Journal of Robotics Research,2011,30(7):846-894.

[30] AGUILAR W G,MORALES S,RUIZ H,et al.RRT* GL based optimal path planning for real-time navigation of UAVs[C]//International Work-Conference on Artificial Neural Networks,2017:585-595.

[31] LIN Y C,SARIPALLI S.Sampling-based path planning for UAV collision avoidance[J].IEEE Transactions on Intelligent Transportation Systems,2017,18(11):3179-3192.

[32] MECHALI O,XU L M,WEI M Z,et al.A rectified RRT* with efficient obstacles avoidance method for UAV in 3D environment[C]//IEEE 9th Annual International Conference on CYBER Technology in Automation,Control,and Intelligent Systems,2019:480-485.

[33] KHATIB O.Real-time obstacle avoidance for manipulators and mobile robots[C]//IEEE International Conference on Robotics and Automation,1985:500-505.

[34] LIU J Y,GUO Z Q,LIU S Y.The simulation of the UAV collision avoidance based on the artificial potential field method[J].Advanced Materials Research,2012,591/592/593:1400-1404.

[35] BUDIYANTO A,CAHYADI A,ADJI T B,et al.UAV obstacle avoidance using potential field under dynamic environment[C]//International Conference on Control,Electronics,Renewable Energy and Communications (ICCEREC),2015:187-192.

[36] 熊超，解武杰，董文瀚.基于碰撞锥改进人工势场的无人机避障路径规划[J].计算机工程,2018,44(9):314-320.

[37] SUNBERG Z N,KOCHENDERFER M J,PAVONE M.Optimized and trusted collision avoidance for unmanned aerial vehicles using approximate dynamic programming[C]//IEEE International Conference on Robotics and Automation,2016:1455-1461.

[38] DE WAEN J,DINH H T,TORRES M H C,et al.Scalable multirotor UAV trajectory planning using mixed integer linear programming[C]//European Conference on Mobile Robots,2017:1-6.

[39] 宋敏,戴静,孔韬.基于NMPC的无人机自主防撞控制方法[J].系统工程与电子技术,2019,41(9):2092-2099.

[40] BELLMAN R.A Markovian decision process[J].Journal of Mathematics and Mechanics,1957,6(5):679-684.

[41] MUELLER E R,KOCHENDERFER M.Multi-rotor aircraft collision avoidance using partially observable Markov decision processes[C]//AIAA Modeling and Simulation Technologies Conference,2016:1-18.

[42] BERTRAM J,WEI P.Distributed computational guidance for high-density urban air mobility with cooperative and non-cooperative collision avoidance[C]//AIAA Scitech 2020 Forum,2020.doi：10.2514/6.2020-1371.

[43] 李安醍,李诚龙,武丁杰,等.结合跳点引导的无人机随机搜索避撞决策方法[J].航空学报,2020,41(8):325-337.

[44] JULIAN K D,KOCHENDERFER M J,OWEN M P.Deep neural network compression for aircraft collision avoidance systems[J].Journal of Guidance,Control,and Dynamics,2019,42(3):598-608.

[45] HAN X,WANG J,XUE J Y,et al.Intelligent decision-making for 3-dimensional dynamic obstacle avoidance of UAV based on deep reinforcement learning[C]//The 11th International Conference on Wireless Communications and Signal Processing (WCSP),2019:1-6.

[46] GIUSTI A,GUZZI J,CIRESAN D C,et al.A machine learning approach to visual perception of forest trails for mobile robots[J].IEEE Robotics and Automation Letters,2015,1(2):661-667.

[47] LOQUERCIO A,MAQUEDA A I,DEL-BLANCO C R,et al.DroNet:learning to fly by driving[J].IEEE Robotics and Automation Letters,2018,3(2):1088-1095.

[48] FALANGA D,KLEBER K,SCARAMUZZA D.Dynamic obstacle avoidance for quadrotors with event cameras[J].Science Robotics,2020,5(40):1-14.

A Survey on Autonomous Collision Avoidance Algorithms for UAVs at Low Altitude

LI Anti, WU Dingjie, LI Chenglong

(Civil Aviation Flight University of China,Guanghan 618000,China)

Abstract： With the extensive application of civil UAV technology,the practice of integrating UAV into national airspace,and executing flight missions with manned aircraft in shared airspace at low altitude has become a trend of future development.UAV “sensing and avoiding” system plays a crucial role in ensuring flight safety in the integrated airspace in the future,and the autonomous collision avoidance algorithm is a key part to ensure efficient operation of the whole system.At present,the research on autonomous collision avoidance algorithms of the UAV has been very in-depth.The existing collision avoidance algorithms are classified based on the characteristics and mechanism of collision avoidance,different types of collision avoidance algorithms are introduced in detail,and their advantages and limitations are expounded.Finally,the development direction of autonomous collision avoidance algorithms for UAVs is prospected.

Key words： UAV; collision avoidance algorithm; path planning; low-altitude airspace

引用格式：李安醍，武丁杰，李诚龙.低空无人机自主避障算法综述[J].电光与控制，2021，28(8)：59-64.LI A T,WU D J,LI C L.A survey on autonomous collision avoidance algorithms for UAVs at low altitude[J].Electronics Optics & Control,2021,28(8):59-64.

中图分类号：V279

文献标志码：A

doi:10.3969/j.issn.1671-637X.2021.08.013

收稿日期：2020-08-14

修回日期：2020-08-30

基金项目：中国民用航空局安全能力建设项目(0241928)

作者简介：李安醍(1993 —),男，四川达州人，硕士生。