[论文解读] A-star path planning simulation for UAS Traffic Management (UTM) application

Carlos Augusto Pötter Neto, Gustavo de Carvalho Bertoli+1 more|arXiv (Cornell University)|Jul 27, 2021

Robotic Path Planning Algorithms参考文献 35被引用 4

一句话总结

本文提出了一种基于ROS/Gazebo的无人机交通管理（UTM）仿真平台，实现了采用曼哈顿距离和欧几里得距离启发式的二维与三维A*路径规划。结果表明，使用曼哈顿距离可使执行时间减少至原来的1/17.2，而地图简化可使平均执行时间减少84.5倍，显著提升了城市UTM应用的性能。

ABSTRACT

This paper presents a Robot Operating System and Gazebo application to calculate and simulate an optimal route for a drone in an urban environment by developing new ROS packages and executing them along with open-source tools. Firstly, the current regulations about UAS are presented to guide the building of the simulated environment, and multiple path planning algorithms are reviewed to guide the search method selection. After selecting the A-star algorithm, both the 2D and 3D versions of them were implemented in this paper, with both Manhattan and Euclidean distances heuristics. The performance of these algorithms was evaluated considering the distance to be covered by the drone and the execution time of the route planning method, aiming to support algorithm's choice based on the environment in which it will be applied. The algorithm execution time was 3.2 and 17.2 higher when using the Euclidean distance for the 2D and 3D A-star algorithm, respectively. Along with the performance analysis of the algorithm, this paper is also the first step for building a complete UAS Traffic Management (UTM) system simulation using ROS and Gazebo.

研究动机与目标

• 开发一个可扩展的、基于仿真的无人机系统交通管理（UTM）平台，采用开源机器人工具。
• 评估在不同启发函数（曼哈顿距离与欧几里得距离）下，二维与三维A*路径规划算法的性能表现。
• 分析地图表示分辨率对A*执行时间与路径最优性的影响。
• 为支持多无人机操作与合规性的完整、可扩展的UTM仿真系统奠定基础。
• 支持未来集成动态约束、调度机制与先进路径规划算法。

提出的方法

• 从占用地图生成模拟城市环境，并将其分解为基于网格的节点表示，用于路径规划。
• 实现了两种A*算法版本：一种用于离散高度下的二维路径规划，另一种用于完整的三维路径计算。
• 在A*搜索过程中，使用曼哈顿距离与欧几里得距离作为启发函数，估算到目标的代价。
• 通过自定义ROS包实现导航与仿真功能，将路径规划系统集成到ROS框架中。
• 通过将5×5个节点合并为一个超节点，实现地图简化，以降低计算负载。
• 通过在原始地图与简化地图上测量多个起点-终点对的路径长度与执行时间，评估性能表现。

实验结果

研究问题

• RQ1 在城市环境中，无人机二维与三维路径规划中，选择曼哈顿距离或欧几里得距离作为启发函数，如何影响A*算法的执行时间与路径质量？
• RQ2 地图分辨率对A*路径规划执行时间与路径最优性有何影响？
• RQ3 使用简化地图表示如何影响A*在大规模城市UTM仿真中的可扩展性？
• RQ4 A*算法能否有效集成到基于ROS/Gazebo的UTM仿真平台中，以支持实时无人机导航？
• RQ5 在UTM应用中，A*路径规划的路径最优性与计算效率之间存在哪些权衡？

主要发现

• 采用曼哈顿启发式的二维A*算法执行速度比使用欧几里得启发式的快3.2倍；三维版本则实现了17.2倍的性能提升。
• 使用简化地图表示后，A*平均执行时间相比原始200×200网格降低了84.5倍，尽管路径长度平均增加了7.5%。
• 使用原始地图时，路径长度平均短8%，但地图简化带来的性能提升远超过其在最优性上的微小损失。
• 统计分析（Wilcoxon符号秩检验）证实，不同启发函数与地图表示之间的执行时间存在显著差异，p值均小于0.001。
• 采用曼哈顿启发式的三维A*算法在速度与路径质量之间实现了最佳平衡，最适用于实时UTM仿真。
• 仿真平台成功验证了将A*路径规划集成到ROS/Gazebo基UTM框架的可行性，为多无人机与动态约束扩展奠定了基础。