基于多源感知的農產品低空物流無人機智能避障與路徑系統研究

關鍵詞：多源感知，低空物流，智能避障，路徑規劃中圖分類號：TP242 文獻標志碼：A文章編號：1674-9545（2025）03-0032-（05）DOI：10.19717/j. cnki. jjun.2025.03.006

隨著科技發展，低空物流無人機在農產品運輸中得到廣泛應用。它們在縣域和鄉村配送中提高末端配送效率，城市即時配送中提供快速選項，醫療物資運輸中保障及時供應，以及在應急救援中快速送達物資[1]。然而，無人機在飛行中面臨復雜環境威脅，如山區地形、城市高樓和自然障礙物，可能導致貨物損壞、任務失敗甚至安全事故。因此，智能避障與路徑規劃系統對農產品低空物流無人機至關重要[2]，它能實時感知環境，避開障礙物，規劃最優路徑，確保準確、安全運輸。

1國內外研究現狀

美國麻省理工學院開發了先進的無人機避障系統，結合激光雷達和計算機視覺技術，能在城市和森林中快速識別障礙物[3]。中國也重視無人機避障技術，清華大學團隊通過多傳感器融合技術，結合視覺、激光雷達和超聲波傳感器，使無人機在農田作業中避免與障礙物碰撞。

國外學者通過優化啟發函數，提出了一種基于改進A*算法的路徑規劃方法，該方法可以提高搜索效率和規劃質量，并減少無人機飛行時間和能量消耗[4]。國內學者，如西北工業大學團隊，模擬鳥群覓食行為，開發基于粒子群優化算法的路徑規劃方法，進行全局搜索和優化，有效規劃出避開障礙物、滿足時間要求的最優路徑，尤其適用于無人機物流配送[5]

盡管無人機避障和路徑規劃技術取得進展，但在復雜環境下識別障礙物和實時規劃路徑仍存在問題。現有技術在數據融合處理、解決傳感器間沖突和冗余等方面存在不足，影響系統可靠性。本研究旨在改進基于多源感知的農產品低空物流無人機智能避障與路徑系統，優化傳感器融合算法和路徑規劃模型，以提升無人機在復雜環境下的避障能力和路徑規劃效率，進而提高農產品低空物流服務質量。

2多源感知技術原理與系統架構

2.1多源感知技術原理

在無人機領域，多源感知技術的應用至關重要，它能夠使無人機在復雜的飛行環境中及時獲取周圍信息，做出準確決策，保障飛行安全[]。所謂多源感知技術是指綜合利用多種不同類型的傳感器，獲取目標物體或環境的多維度信息，以實現更全面、準確的感知。它集成了激光雷達、視覺傳感器、超聲波傳感器以及紅外傳感器等多種傳感器。

2.1.1激光雷達激光雷達通過發射激光束，精確測量反射光的延遲時間來獲取周圍環境的三維信息。在農產品低空物流場景中，激光雷達可以快速探測到田間的樹木、灌溉設備等障礙物，為無人機的避障決策提供可靠依據。其工作原理基于光的飛行時間（Timeofflight，ToF）測量技術， d c 光速， χ_t 為激光發射與接收的時間差[7]。激光雷達具有高精度、高分辨率的顯著特點，在典型的農田環境測試中，能夠清晰識別高度在 1～5m 之間的樹木障礙物，測距精度可達 ±0.05m 。例如，在一片面積為 500×500m² 的農田中，激光雷達可在10s內完成對農田內障礙物的三維建模，生成障礙物的位置、高度、形狀等信息的點云圖，為后續的路徑規劃提供準確的數據資料。

2.1.2視覺傳感器視覺傳感器通過攝像頭采集圖像信息，借助圖像處理和計算機視覺算法實現對障礙物的識別。在開闊的農田區域，視覺傳感器可以利用顏色、紋理等特征快速識別出地面上停放的農業機械等障礙物。以基于深度學習的目標檢測算法YOLOv5為例，其網絡結構由輸入端（Input）、骨干網絡（Backbone）、頸部（Neck）和預測層（Head）組成。在訓練過程中，通過大量標注好的障礙物圖像數據進行學習，不斷優化網絡參數，以提高對不同類型障礙物的識別準確率。實際測試中，對于常見的電線桿、建筑物等障礙物，識別準確率可達 90% 以上。在一個包含多種障礙物的實驗場景中，視覺傳感器每秒可處理30幀圖像，能夠快速檢測出畫面中的障礙物，并通過圖像特征匹配與深度學習模型判斷障礙物的類型與位置，為無人機提供實時的視覺信息[8]。2.1.3超聲波傳感器超聲波傳感器通過發射和接收超聲波來測量距離，其工作原理基于超聲波在空氣中的傳播速度以及傳播時間。超聲波在空氣中的傳播速度 v 約為 340m/s ，測量距離 d 的計算公式為：d=×t 其中， χ_t 為超聲波發射與接收的時間差。在近距離避障場景中，超聲波傳感器具有成本低、實時性好的特點。無人機在起飛和降落階段，或者在靠近障礙物較近的情況下，激光雷達和視覺傳感器利用超聲波傳感器快速反饋障礙物的距離信息，能夠進行精準避障。例如，當無人機在距離墻壁 0.1～5m 范圍內，慢慢靠近倉庫墻壁時，超聲波傳感器可以快速檢測到障礙物的存在，及時向無人機控制系統反饋距離信息，為無人機的避障動作提供依據。

2.1.4紅外傳感器紅外傳感器主要根據感知物體發出的紅外輻射來探測目標。在夜間或低光照環境下，其優勢明顯，能夠檢測到發熱的動物、運行中的農業設備等障礙物。對于一些難以通過可見光或激光探測的物體，紅外傳感器可以提供有效的補充信息，增強無人機在復雜環境下的感知能力。

2.2系統架構設計

本系統主要由感知層、數據融合層、決策層和執行層組成，各層之間相互協作，共同保障無人機的安全飛行與高效運輸。

感知層負責采集多源感知數據，包括激光雷達獲取的三維點云數據、視覺傳感器采集的圖像數據以及超聲波傳感器測量的距離數據等。數據融合層利用多種融合方法，對來自不同傳感器的數據進行整合處理，提高了信息的準確性、完整性。決策層基于融合后的數據，運用先進的算法進行障礙物識別和路徑規劃。執行層則根據決策層的指令，控制無人機按照規劃好的路徑飛行，并在遇到障礙物時執行相應的避障動作。

3多源感知數據融合方法與應用案例

3.1多源感知數據融合方法

在農產品低空物流無人機的運行過程中，單一傳感器往往難以滿足復雜環境下對障礙物全面、準確感知的需求，因此多源感知技術融合顯得尤為必要。通過融合多種傳感器的數據，彌補了單一傳感器數據的不足，提高了無人機感知周圍環境的能力，增強了系統的可靠性和穩定性。多源感知技術融合主要包括數據層、特征層和決策層融合這三種方式。

3.1.1數據層融合在數據層融合中，對來自不同傳感器的原始數據直接進行融合處理。例如為了融合激光雷達的距離數據和視覺傳感器的圖像數據，需要建立統一的坐標系[9]。設激光雷達坐標系為（ x_l ， y_l ， z_l ），視覺傳感器坐標系為（ x_v ，y_v ， z_v ），通過坐標變換矩陣 T 將激光雷達測量的障礙物距離信息映射到視覺圖像坐標系中，坐標變換公式為：

經過坐標變換后，激光雷達的距離信息與視覺圖像中的像素信息相結合，從而更準確地確定障礙物的位置和形狀。在一個實驗中，通過數據層融合，對障礙物位置的定位精度提高了 10% 。

3.1.2特征層融合在特征層融合中，首先將各個傳感器數據中的特征提取出來，然后將它們進行融合。激光雷達數據可以提取障礙物的幾何特征，如形狀、尺寸、體積等；視覺傳感器數據可以通過深度學習模型提取基于圖像的特征，如顏色特征、紋理特征、邊緣特征等[10]。以支持向量機（SVM）作為分類器，對融合后的特征進行分類識別。設計提取的激光雷達特征向量為 F_l ，視覺傳感器特征向量為 F_v ，融合后的特征向量為 F= 。在訓練SVM分類器時，通過最小化目標函數：

式（2）中， w 為權重向量， b 為偏置， c 為懲罰參數， ξ_i 為松弛變量， n 為樣本數量。實驗結果表明，特征層融合后的識別準確率比單一傳感器提高了 15% 左右。

3.1.3決策層融合在決策層融合中，各個傳感器先進行獨立決策，然后再將這些決策結果進行融合。例如，激光雷達通過自身算法判斷前方存在一個障礙物，決策結果為 D_ι ；視覺傳感器也通過其算法做出相同判斷，決策結果為 D_v 。采用投票機制進行決策融合，若激光雷達和視覺傳感器都判斷存在障礙物，則最終決策結果 D=1 （表示存在障礙物）；若只有一個傳感器判斷存在障礙物，則根據預設的權重進行綜合判斷。設激光雷達的權重為 w_l ，視覺傳感器的權重為 W_v ，且 w_l+w_v μ=1ρ ，則綜合決策公式為：

3.2多源感知技術在無人機中的應用案例分析

京東物流無人機采用了視覺和激光雷達融合的感知方案，如圖1所示。在低空飛行配送過程中，視覺傳感器用于識別地面的目標配送點和周圍的小型障礙物，激光雷達則負責檢測遠距離的大型障礙物并構建周圍環境的三維模型。通過兩者的協同工作，京東物流無人機能夠在復雜的城市和鄉村環境中準確地完成配送任務，提高了配送效率和安全性。

美團無人機采用了視覺、毫米波雷達和超聲波傳感器的多源融合技術，如圖2所示。在城市低空配送外賣時，視覺傳感器用于識別建筑物、電線桿等靜態障礙物，毫米波雷達實時監測周圍移動的車輛和行人，超聲波傳感器在無人機接近配送點時，可以進行精確的避障和定位。這種多源感知技術的應用，使得美團無人機能夠在繁忙的城市低空環境中安全、高效地飛行。

這些案例表明，多源感知技術的合理應用能夠顯著提升無人機在復雜環境下的環境感知和應對能力，為農產品低空物流無人機智能避障與路徑系統的研發提供了有益的參考。

4智能避障策略

4.1障礙物識別與分類

利用融合后的多源感知數據，通過訓練好的深度學習模型對障礙物進行識別與分類。本研究采用基于卷積神經網絡（CNN）的分類模型，該網絡結構包含多個卷積層、池化層和全連接層[11]。在訓練過程中，使用大量標注好的靜態障礙物（如建筑物、樹木）和動態障礙物（如飛鳥、移動的車輛）圖像數據進行學習，不斷優化網絡參數。

對于靜態障礙物，根據其位置和形狀等特征，采用預先規劃好的避障路徑；對于動態障礙物，實時監測其速度和運動軌跡，根據動態規劃算法及時調整飛行路徑，避免碰撞。考慮到農產品運輸過程中，環境可能隨時發生變化，如突然出現的飛鳥、移動的農業機械等。無人機通常要具備動態避障的能力，可以隨時調整飛行路徑。利用機器學習算法，無人機可以對動態障礙物的運動軌跡進行預測，結合當前飛行狀態，快速規劃出安全的避障路徑[12]。例如，當檢測到一只飛鳥朝著無人機飛行方向靠近時，根據飛鳥的速度、方向等信息，無人機預測出飛鳥的運動軌跡，提前調整飛行方向，避開飛鳥可能的飛行路徑。

4.2避障動作規劃

當檢測到障礙物時，無人機可以根據障礙物的位置、速度和飛行狀態及時規劃避障動作。采用Dijkstra算法等搜索算法，在局部地圖中尋找一條避開障礙物的最優路徑。設局部地圖為一個圖 ，其中 V 為節點集合， E 為邊集合，每個邊 e=（u，v） 具有權重 w（e） 表示從節點 u 到節點 v 的代價[13]。Dijkstra 算法的核心步驟為：

（1）初始化距離數組 d[v] ，將起點 s 的距離設為0，其他節點的距離設為無窮大。

（2）建立優先隊列 Q ，將起點加入隊列。

（3）當隊列不為空時，取出隊列中距離最小的節點 u 。

（4）對于節點 u 的所有鄰接節點 v ，更新距離 d[v]=min（d[v] ， d[v]+w（u，v） ），若距離更新，則將節點 v 加入隊列。

例如，當無人機前方出現一棵樹木時，算法以無人機當前位置為起點，以避開樹木且到達目標方向的點為終點，在局部地圖中計算出繞過樹木的最短路徑，最終控制無人機按照該路徑飛行。

5路徑規劃算法

5.1全局路徑規劃

全局路徑規劃運用A算法，在無人機的起始點、目標點以及已知的環境地圖信息中，規劃出了一條從起點到終點的全局最優路徑[14]。A算法的估價函數為： f（n）=g（n）+h（n） 其中， f（n） 為節點 n 的估價函數值 g（n） 為從起點到節點 n 的實際代價， h（n） 為從節點 n 到目標點的估計代價。在一個包含多個農田、倉庫和障礙物的場景中，A算法能夠快速找到一條避開障礙物的長距離飛行路徑。例如，在一個長 10km 、寬 5km 的區域內，包含20個倉庫、50片農田和若干障礙物，A算法平均能夠在1s內規劃出一條全局最優路徑，路徑規劃時間一般在0.5～2.0s之間。

5.2局部路徑規劃

局部路徑規劃運用Dijkstra算法，當無人機在飛行過程中遇到新的障礙物或環境變化時，在局部范圍內重新規劃路徑[15]。例如，當無人機在飛行過程中突然檢測到前方出現一輛移動的車輛時，以無人機當前位置為中心，在半徑 50m 的局部地圖范圍內，Dijkstra算法能夠在0.2s內快速找到一條新的避障路徑，保證無人機的安全飛行。

5.3路徑動態調整

由于農產品運輸任務的多樣性和環境的不確定性，路徑需要具備動態調整能力。根據實時的天氣變化、障礙物出現或消失等情況，對已規劃的路徑進行重新評估和調整。當無人機在飛行過程中遇到突發的強風天氣時，根據風速、風向等信息，結合自身的飛行性能，動態調整飛行路徑，選擇更安全、穩定的航線，確保貨物能夠按時、安全送達目的地。

6實驗驗證與結果分析

6.1實驗設置

在一個模擬的農產品物流場景中進行實驗，該場景面積為 2m² ，包含農田、果園、倉庫以及各種障礙物。實驗使用的無人機搭載了激光雷達（型號：VelodyneVLP-16）、視覺傳感器（分辨率： 1920×1080 ）和超聲波傳感器（測量范圍：0.1～5.0m ），運行基于多源感知的智能避障與路徑系統。設置多個飛行任務，包括從農田到倉庫的貨物運輸、果園農藥噴灑路徑規劃等。通過使用Python語言搭建仿真環境，然后采用MATLAB進行結果可視化，連續進行100次重復實驗。

6.2實驗結果分析

通過實驗，統計了無人機的飛行成功率、飛行時間和避障次數等指標。在100次飛行實驗中，采用多源感知系統的無人機，飛行成功率達到95% 以上，相比未采用多源感知系統的無人機，飛行成功率提高了 20% 。在飛行路徑上，采用多源感知系統的無人機區域跨度較小，飛行路徑較短，具體如圖3、圖4所示。采用多源感知系統的無人機平均飛行時間縮短了 15% ，避障次數減少了 30% ，有效提高了運輸效率和安全性，具體實驗數據如表1所示。

圖3未采用多源感知系統的無人機飛行路徑長度的迭代

圖4采用多源感知系統的無人機飛行路徑長度的迭代

表1實驗結果對比表

6.3結果分析

實驗結果表明，基于多源感知的智能避障與路徑規劃系統能夠顯著提升無人機在農產品低空物流中的性能。多源感知數據的融合提高了障礙物識別的準確性，智能避障策略和路徑規劃算法的有效結合，使無人機能夠在復雜環境中安全、高效地飛行。例如，在一次從農田到倉庫的運輸任務中，采用多源感知系統的無人機能夠準確識別并避開途中的樹木和電線桿，順利完成運輸任務；而未采用該系統的無人機在遇到樹木時，由于無法準確判斷障礙物位置，導致避障失敗，飛行任務中斷。

7結論與展望

本研究成功構建了基于多源感知的農產品低空物流無人機智能避障與路徑識別系統。通過多源感知技術的深度融合、智能避障策略和路徑規劃算法的創新應用，無人機在復雜低空環境下的飛行安全性和運輸效率得到了有效提升。未來的研究可以進一步優化多源感知數據融合算法，提高系統的實時性和魯棒性，例如研究基于深度學習的端到端數據融合算法，減少數據處理時間；探索無人機與地面物流系統的協同優化，實現農產品物流的全流程智能化，如通過車-無人機協同配送，提高物流配送的靈活性和效率。

參考文獻：

[1]張榮，龐夢獲，劉斌.生鮮農產品車輛和無人機組合配送路徑優化及效果測試[J].河南農業大學學報，2024（1）：96.

[2]李安醍，李誠龍，鄭遠.感知系統受限下的城市低空無人機避障算法[J].電子科技大學學報，2025（2） ：257.

[3]陳勇強，顏海蘭.鄉村振興背景下井岡蜜柚品牌建設路徑研究[J].井岡山大學學報（社會科學版），2022（5）：103.

[4]申晨，楊磊，任帥里，等.基于啟發式A*算法的城市低空無人機航跡規劃[J].中國民航飛行學院學報，2025（2）：5.

[5]劉國海，萬亞連，沈躍，等.基于改進粒子群算法的高地隙無人噴霧機全覆蓋作業路徑規劃[J].華南農業大學學報，2025（2）：7.

[6]陶江，曹云峰.低空時變風擾下無人機避障路徑跟隨方法［J].北京航空航天大學學報，2025（1） ：175.

[7]唐騏，譚學春，倪贏.無人機激光雷達技術在變電站擴建改造工程中的應用[J].通信世界，2024（12）：136.

[8]劉根福，劉歡，張祥明，等.基于混合粒子群算法的農情監測無人機路徑規劃[J].井岡山大學學報（社會科學版），2021（3）：59.

[9]李庚松，劉藝，鄭奇斌，等.無人機多傳感器數據融合研究綜述[J].軟件學報，2025（4）：1881.

[10]朱槐雨，李博.單階段多框檢測器無人機航拍目標識別方法[J].計算機應用，2021（11）：3234.

[11]徐健，戴芬良.基于人工智能技術的無人機避障系統研究[J].軟件，2023（10）：149.

[12]王正琳，付宇，宋澳舉，等.無人機物資運輸與智能避障系統設計[J].自動化與儀表，2023（7）：5.

[13]王義和.基于深度學習的無人機智能避障系統設計與實現[J].信息與電腦（理論版），2024（14） ：96.

[14]王家亮，董楷，顧兆軍，等.小型無人機視覺傳感器避障方法綜述[J].西安電子科技大學學報，2025（1） ：60.

[15]郭海峰，張翠玲.融合多種策略的改進粒子群算法及其在電子商務多級物流中的應用研究[J].井岡山大學學報（社會科學版），2020（1）：48.

（責任編輯 羅江龍）