基于RRT*与自重构的UAV编队避障方法研究。 基于leader-follower、行为法和人工势场法APf的分布式控制策略 参考2024IEEE会议论文自己做的改进，有原文参考。 1.RRT*生成全局路径，提取关键点作为局部路径点引导。 2.UAV/机器人先从各自起点形成V型编队，随后保持编队航行，遇见障碍物收缩避障，狭窄区域自重构为一字队形穿过，随后通过区域后变为原来队形并到达目标。 整个过程动态调整编队队形 3.leader：目标导航+避障+避碰+自重构 4.follower: 编队+避障+避碰+自重构

在无人机（UAV）应用日益广泛的当下，如何实现高效、安全的编队飞行并巧妙避开障碍物成为研究热点。今天咱就聊聊基于RRT*与自重构的UAV编队避障方法。

底层策略：分布式控制策略

这里采用了基于leader - follower、行为法和人工势场法（APf）的分布式控制策略，它可是这套避障方法的基石。这种策略并非凭空而来，而是参考2024 IEEE会议论文并加以改进的成果。

RRT*：绘制全局路径蓝图

1. 生成全局路径：RRT在整个过程中负责生成全局路径。简单来说，RRT（快速扩展随机搜索树星型算法）是一种在高维空间中进行路径搜索的有效算法。它通过不断随机采样空间中的点，并将其添加到搜索树中，逐步构建出一条从起点到目标点的路径。代码示例（以Python简单伪代码示意）：

import random

# 定义搜索空间
search_space = [(0, 0), (10, 10)]  
# 起点和目标点
start = (1, 1)
goal = (9, 9)
tree = [start]

def sample():
    return (random.uniform(search_space[0][0], search_space[1][0]),
            random.uniform(search_space[0][1], search_space[1][1]))

while True:
    s = sample()
    # 找到树中距离采样点最近的节点
    nearest = min(tree, key=lambda x: ((x[0] - s[0])**2 + (x[1] - s[1])**2)**0.5)  
    new_node = (nearest[0] + (s[0] - nearest[0]) * 0.1, nearest[1] + (s[1] - nearest[1]) * 0.1)  
    if ((new_node[0] - goal[0])**2 + (new_node[1] - goal[1])**2)**0.5 < 0.5:
        tree.append(goal)
        break
    tree.append(new_node)

在这段代码里，我们先设定了搜索空间、起点和目标点，然后通过不断采样点，在树中寻找最近节点并生成新节点，直到目标点加入树中，完成全局路径搜索的模拟。

1. 提取关键点：生成全局路径后，提取关键点作为局部路径点引导。这些关键点就像是路途中的重要地标，为UAV后续的局部路径规划提供指引。

UAV编队的“变形记”

1. 编队初始形成：UAV/机器人先从各自起点形成V型编队。这就好比士兵们集合时要先站好特定的队形。
2. 航行与避障：随后保持编队航行，一旦遇见障碍物，编队会收缩避障。想象一下，就像一群大雁遇到了山峰，它们会紧凑起来绕过去。在狭窄区域，编队会自重构为一字队形穿过，通过区域后又变回原来的V型队形并到达目标。整个过程中，编队队形根据环境动态调整。

Leader与Follower的分工协作

1. Leader的多面手职责：
   - 目标导航：leader要像队伍中的指挥官，明确知道目标在哪里，带领整个编队朝目标前进。
   - 避障：当遇到障碍物时，leader要及时规划绕开障碍物的路径。
   - 避碰：避免与其他物体或UAV发生碰撞，保障编队安全。
   - 自重构：在需要改变编队队形时，leader要发起并协调整个编队的重构。
2. Follower的紧密跟随与应变：
   - 编队：紧紧跟随leader的步伐，保持编队的相对位置关系。
   - 避障：和leader一样，也要具备自主避障能力，确保在编队过程中不撞上障碍物。
   - 避碰：防止与相邻的UAV或其他物体碰撞。
   - 自重构：响应leader的指令，及时完成编队的自重构动作。

这种基于RRT*与自重构的UAV编队避障方法，通过合理的策略和分工，为UAV在复杂环境中的编队飞行提供了一种有效的解决方案，在未来的诸如物流运输、航空测绘等领域有望发挥重要作用。