CN109948834A - 无人机低空公共航路设计方法 - Google Patents

Abstract

本发明属于航路规划技术领域，其公开了一种无人机低空公共航路设计方法。方法包括构建无人机低空飞行环境数学模型；对经数字化的无人机低空飞行环境数学模型在预设飞行高度上进行水平切片，得到预设飞行高度上的数字化的二维低空环境数学模型；基于蚁群算法在数字化的二维低空环境数学模型中进行二维路径搜索，得到二维航路；根据二维航路和基准地形数据，得到三维航路；在蚁群算法中，搜索空间由以起始节点和终止节点间连线做可变距离的缓冲形成，缓冲距离从初始值以1个搜索步长逐渐增加直至搜索空间内有最优航路解。本发明通过上述技术方案使得在设计无人机低空公共航路时，搜索效率更高、耗时更短。

Description

无人机低空公共航路设计方法

技术领域

本发明属于航路规划技术领域，特别涉及一种无人机低空公共航路设计方法。

背景技术

当前，随着无人机数量的迅猛增加、无人机行业作业日益频繁以及随之而来的无人机黑飞导致的空域政策的日益收紧，公众对无人机的可飞、安全航路需求日益迫切，但无人机飞行与地形和人类活动密切相关，无人机的航路规划需要海量精准地表信息支撑，并考虑针对无人机的空域政策，现有技术中路径规划的相关方法还不足以支撑，其主要存在以下问题：

1)在设计三维航路时，主要是基于栅格的三维航路搜索方法，该方法随着搜索空间扩大和维度增加，易出现“组合爆炸”问题，导致搜索效率降低。

2)当前无人机路径规划技术主要面向单次作业航路规划，如测绘飞行和巡线飞行，考虑的因素主要是影响无人机安全飞行的自然或人工要素，如低空大气环境、地形、电磁干扰和导弹阵地约束环境等。但是无人机飞行对人类活动影响甚大，无人机的飞行应该以保障人类安全为前提，现有技术中在进行无人机路径规划时，未考虑低空空域政策、人口分布等对人类活动甚大的因素。

3)当前对无人机的监控主要通过GPS定位、无线视距通信技术或卫星中继通信技术实现，由于现有的无人机路径规划涉及地域范围小，再加上提前考察测区环境，基本能实现无人机的安全监管。但是当将地域范围扩展至全国，即无人机公共航路的服务面向全国，此时规划范围广，若采用前述监控方法会导致无人机安全飞行体系成本高和执行时效率低。

发明内容

为了至少解决现有技术中存在的问题：三维航路搜索方法随着搜索空间扩大和维度增加，易出现“组合爆炸”问题，导致搜索效率降低，本发明提供了一种无人机低空公共航路设计方法，其包括：构建无人机低空飞行环境数学模型；对经数字化的所述无人机低空飞行环境数学模型在预设飞行高度上进行水平切片，得到所述预设飞行高度上的数字化的二维低空环境数学模型；基于蚁群算法在所述数字化的二维低空环境数学模型中进行二维路径搜索，得到二维航路；根据所述二维航路和基准地形数据，得到三维航路；其中，在所述蚁群算法中，搜索空间由以起始节点和终止节点间连线做可变距离的缓冲形成，缓冲距离从初始值以1个搜索步长逐渐增加直至所述搜索空间内有最优航路解。

在如上所述的方法中，优选地，所述方法还包括：在所述蚁群算法中，启发函数η_ij(t)：

其中，d_ij表示当前节点i和下一节点j间距离，分别为归一化后的下一节点离起始节点和终止节点的距离，d_Oi为起始节点和当前节点i间距离，d_OE为起始节点和终止节点间距离，C和ρ为常数，表示下一节点与起始节点间距离的权重，ρ表示开始引入方向信息的路径长度阈值，allowed_k表示蚂蚁可以到达的节点。

在如上所述的方法中，优选地，所述方法还包括：在所述蚁群算法中，若由随机函数产生的随机数rand<max(P_i)，则采用轮盘赌算法对下一个节点进行选择；若由所述随机函数产生的随机数rand＝max(P_i)，则将转移概率最大的节点作为下一节点。

在如上所述的方法中，优选地，所述构建无人机低空飞行环境数学模型包括：构建无人机低空飞行空间初始模型，在所述无人机低空飞行空间初始模型中飞行空间的下界面由基准地形高度决定，飞行空间的上界面由移动通信基站信号空间分布决定；对所述无人机低空飞行空间初始模型中约束无人机安全飞行的要素进行数学建模，完成构建所述无人机低空飞行环境数学模型。

在如上所述的方法中，优选地，所述约束无人机安全飞行的要素包括：山峰约束要素、高层建筑约束要素、低空气候约束要素和空域政策限制区约束要素。

在如上所述的方法中，优选地，在所述蚁群算法中，在局部搜索空间内判断用所述约束无人机安全飞行的要素和通信盲区约束要素表征的障碍物的比例是否低于预设比例阈值，若判断为低于预设比例阈值，则调整搜索步长。

在如上所述的方法中，优选地，所述根据所述二维航路和基准地形数据得到三维航路，具体包括：判断下一个航点在基准地形数据中地形高度是否大于航路下界面高度与最小超障裕度的差值，若判断为是，则下一个航点高度等于航路范围内的栅格高程平均值与最小超障裕度之和，若判断为否，下一个航点高度等于所述航路下界面高度。

在如上所述的方法中，优选地，在若判断为否之后，所述方法还包括：判断下一个航点在基准地形数据中是否处于山体范围且当前航点高度是否高于山体范围的最高点且所述下一个航点高度是否小于所述当前航点高度，若判断为是，则所述下一个航点高度等于所述当前航点高度；若判断为否，则跳转至下一个当前航点高度等于所述航路下界面高度。

在如上所述的方法中，优选地，在二维路径搜索时，采用第一分辨率进行，所述第一分辨率低于第二分辨率，所述第二分辨率为山区地形数据所采用的分辨率；在所述得到二维航路之后，所述根据所述二维航路和基准地形数据得到三维航路之前，所述方法还包括：判断二维航路的两相邻航点是否与山区对应，若判断为是，则在该两相邻航点之间增加若干个航点。

本发明实施例提供的技术方案带来的有益效果是：

使路径搜索效率更高、耗时更短。

附图说明

图1为本发明实施例提供的一种无人机低空公共航路设计方法的流程示意图；

图2为本发明实施例提供的一种搜索空间的示意图；

图3为本发明实施例提供的一种得到二维航路方法的流程示意图；

图4为本发明实施例提供的一种得到三维航路方法的流程示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

参见图1～4，本发明实施例提供了一种无人机低空公共航路设计方法，其包括以下步骤：

步骤101，构建无人机低空飞行环境数学模型。

具体地，首先，构建无人机低空飞行空间初始模型：假设第i个航点坐标为(x_i,y_i,z_i)，则该低空飞行空间初始模型的数学表达式可为：

其中，x_i为经度，y_i为纬度，z_i为高度，x_min、x_max、y_min和y_max表示规划空间平面范围，f_1i(x_i,y_i)为第i个航点所在位置的基准地形高度，f_2i(x_i,y_i)为第i个航点所在位置的通信最大高度。

在该低空飞行空间初始模型中，决定无人机飞行高度范围的要素包括：基准地形和移动通信基站信号的空间分布。具体地，飞行空间的下界面由基准地形决定，基准地形反映航路规划空间的地形起伏，直接影响航路规划空间的最低安全高度大小。飞行空间的上界面由移动通信基站信号空间分布决定。

基准地形的数学表达式如下：

其中，x和y为基准地形模型投影在水平面上的点坐标，z为水平面点对应的高程值。a，b，c，d，e，g为常系数，用于控制数字地图中的基准地形起伏。通过确定不同的常系数来模拟出不同的基准地貌特征，作为无人机飞行环境的基准地形。

因此，第i个航点所在位置的基准地形高度表达式为：

移动通信基站信号覆盖范围(或空间分布)与信号传播规律、地物遮挡和环境电磁辐射有关，信号强度随着离开天线的水平和垂直距离改变呈现出不规则的变化。经过实际测试，目前移动蜂窝网可以满足120米以下绝大部分场景的无人机行业应用需求，以及300米以下绝大部分区域的无人机安全飞行业务链路指标需求。随着移动通信技术的发展，如5G技术的商用扩展，高度可以拓展至1000m以下。因此，研究可通过移动蜂窝联网实现无人机的航路实时监控。基于全国蜂窝移动通信网络，构建低空通信环境，在此基础上进行航路规划，以保障航路内的实时、高可靠、低成本的无人机通信链路。根据《辐射环境保护管理导则电磁辐射监测仪器和方法》(HJ-T10.2-1996)，单个基站天线辐射功率密度计算公式如下：

根据功率密度与电场强度关系式：

假设第j个基站位置为(X_j,Y_j)，可以得到第i个航点所在位置第j个基站的电场强度表达式：

其中，P是基站天线发射功率(W)，G是基站天线增益(倍数)，θ是垂直面上与基站天线轴向的夹角，为水平面上与基站天线轴向的夹角，θ₁是天线下倾角，H是第j个基站天线离地高度(m)，以上参数均为常数；z_i是第i个航点离地高度(m)，R是第i个航点离第j个基站天线的水平距离(m)。

假设第i个航点所在位置有n个基站能提供通讯服务，则第i个航点所在位置的场强为：

第i个航点所在位置的最大通信高度为：E_i＝C时，z_i的取值，其中C为基站场强满足无人机安全飞行的最小取值。

其次，对无人机低空飞行空间初始模型中约束无人机安全飞行的要素进行数学建模，完成构建无人机低空飞行环境数学模型。

具体地，在构建好无人机低空飞行空间初始模型后，对该飞行空间内部约束无人机安全飞行的要素进行数学建模，从而搭建无人机低空飞行环境数学模型。约束要素主要包括：山峰约束要素、高层建筑约束要素、低空气候约束要素和空域政策限制区约束要素。各约束要素数学模型如下：

(1)山峰约束要素数学模型：无人机的飞行高度较低，地表自然要素尤其是山体对其安全飞行至关重要，可以通过以下公式模拟突出山体，构建无人机路径搜索的地形环境模型：

式中z₁(x,y)为山峰的高程函数，(x_j,y_j)为第j个山峰的中心坐标，H_j为基准地形高度，a和b分别是第j个山峰沿x轴和y轴方向的衰减量，控制坡度。

(2)高层建筑约束要素数学模型：可以用圆柱体来表示高层建筑，其数学模型可表示为：

其中，z₂(x,y)为高层建筑的高程函数，(x_j,y_j)为第j个建筑的中心坐标,H_j为第j个高层建筑的高度，R为该高层建筑的占地半径。

(3)低空气候约束要素数学模型：无人机在对流层范围内活动，低空气候对其起降、作业和飞行有着重要的影响，其中影响较大的天气现象主要有风切变、雷暴、积冰，以及雾、霾、沙尘暴等能导致低能见度的天气现象。进行无人机航路规划时以上述恶劣气候的多发地区分布，如近二十年来的各气候现象的高发区域分布，作为参考。研究使用近圆柱体判断大气环境的影响范围，其数学模型可表示为：

d_ij＝(x-x_j)²+(y-x_j)²

其中，z₃(x,y)为低空气候影响区域的高度函数，H为航路规划区域高度上限，(x_j,y_j)第j个低空气候影响区的中心坐标，d_ij为第i个航点到第j个气候影响区的距离，d_min为该气候影响区的核心区，在该区内无人机的损毁概率为1，d_max为受到大气影响的最大半径。

(4)空域政策限制区约束要素数学模型：空域政策限制区约束主要是指各地政府部门发布的无人机禁飞区、限飞区和危险区等，通过引入低空空域政策，利用设置人口稠密区等空域政策限制区来构建安全、有序的低空飞行环境。空域政策限制区可来源于动态地理围栏数据，机场平面范围可以通过民航公布的《民用航空机场障碍物限制面保护范围数据》确定，下限为地表，不设上限。其它限制区可以通过半球体模型表示：

其中，z₄(x,y)为第j个限制区的影响曲面，(x_j,y_j)为第j个限制区的中心坐标，R为该限制区的占地半径。

步骤102，对经数字化的无人机低空飞行环境数学模型在预设飞行高度上进行水平切片，得到预设飞行高度上的数字化的二维低空环境数学模型。

具体地，先对无人机低空飞行环境数学模型进行数字化，数字化的方法可以采用栅格法，栅格的形式为立方体，立方体的长度与航路宽度一致。再获取预设飞行高度。预设飞行高度的获取可以通过以下方式得到：根据基准地形数据拟合得到航路初始高度，然后计算航路初始高度与无人机最小超障裕度之和，从而得到预设飞行高度。然后对数字化的无人机低空飞行环境数学模型进行水平切片，得到无人机在预设飞行高度上的二维低空环境数学模型。

步骤103，基于蚁群算法在数字化的二维低空环境数学模型中进行二维路径搜索，得到二维航路。

传统蚁群算法中，随着搜索空间扩大，易出现“组合爆炸”问题，导致搜索效率降低。因此，在该步骤中，蚁群算法的搜索空间由以起始节点和终止节点间连线做可变距离的缓冲形成，如此可以合理控制搜索空间大小，既满足搜索空间内有最优路径解又尽可能提升搜索效率，形成的搜索空间如图2所示。缓冲距离从初始值以1个搜索步长逐渐增加直至搜索空间内有最优航路解。

为了提高路径搜索效率，搜索过程中采用变搜索步长搜索，即根据局部搜索空间内障碍物的比例确定搜索步长，当搜索空间内障碍物比例低于预设比例阈值时，调整搜索步长，如相对之前的搜索步长变长，例如：搜索空间内障碍物比例高于20％时，搜索步长为1，若低于5％，搜索步长为2。障碍物可以用约束无人机安全飞行的要素和通信盲区约束要素来表征，还可以用约束无人机安全飞行的要素、通信盲区约束要素和机场要素来表征。约束无人机安全飞行的要素可以包括空域政策限制区域要素、山峰约束要素、高层建筑约束要素、低空气候约束要素。山峰约束要素和高层建筑约束要素可以合称为地形要素。也就是说，量化约束无人机安全飞行的要素影响无人机飞行的潜在风险，便于后续计算每个空间格网的成本代价加权属性值，得到的结果为无人机穿越每个格网时受到的潜在风险，从而在得到二维航路时将该潜在风险因素考虑进去。量化时为了简化计算，通信盲区约束要素、高层建筑约束要素、空域政策限制区域要素以及山峰约束要素等均转化为飞行环境中的“障碍物”，网格成本代价均为1，在路径搜索中实行“禁止飞入”原则；大气环境(即低空气候约束要素)为统计频发数据，因此在路径搜索时遵循“警告飞入”原则，网格成本代价值范围为0.2～0.8，离气候事件中心越近，其成本代价越大；其它区域均为路径搜索中的可选区域，网格成本代价为0。

在蚁群算法中，从当前节点转移到下一节点需要计算当前节点到所有相邻节点的转移概率，计算公式为现有技术且如下：

其中，为蚂蚁从当前节点i点到下一节点j点的转移概率，allowed_k表示蚂蚁可以到达的节点；α为信息素启发式因子，表示路径积累的信息素对路径选择的重要性程度，τ_ij(t)表示航迹段ij的信息素浓度；β为期望启发因子，表示启发因素对路径选择的重要性程度，η_ij(t)为启发函数，在现有技术中表示节点i、j之间距离的倒数，此种方法易导致蚂蚁贪图当前最短路径而陷入局部最优。在本发明实施例中将下一节点与起始节点和终止节点间的联系引入现有技术中的启发函数，以得到改进后的启发函数，如此能有效解决局部最优问题，同时提高算法效率。改进后的启发函数计算公式如下：

其中，d_ij表示当前节点i和下一节点j间距离，分别为归一化后的下一节点离起始节点和终止节点的距离，d_Oi为起始节点和当前节点i间距离，d_OE为起始节点和终止节点间距离，C和ρ为常数，表示下一节点与起始节点间距离的权重，ρ表示开始引入方向信息的路径长度阈值，是为了避免蚂蚁在移动过程中过早受到方向信息影响而陷入局部最优，二者均在实际应用时确定数值。allowed_k表示蚂蚁可以到达的节点。

此外，为了避免蚁群算法存在的过早收敛问题，本发明实施例采用如下算法对下一节点进行选择。该算法(或称随机轮盘赌算法)基于轮盘赌算法(或称传统轮盘赌算法)和贪婪算法进行改良，既能够提高传统轮盘赌算法的收敛速度，又能够避免贪婪算法容易陷入局部最优值的缺陷。具体地，若由随机函数(matlab中的随机函数)产生的随机数rand<max(P_i)，则采用轮盘赌法对下一个节点进行选择，此时该算法等效于轮盘赌算法(或称传统的轮盘赌算法)，能够避免局部最优值陷阱；若由随机函数产生的随机数rand＝max(P_i)，则选择转移概率最大的节点作为下一节点，此时该算法相当于贪婪算法，具有较快的收敛速度。应用时，通过加入一个服从均匀分布的随机数(由matlab产生)rand∈[0，max(P_i)]与P_i作比较，筛选集合allowed_k中被选择概率P_i大于等于rand的局部目标点i的集合，使用的公式如下所示，最后使用传统轮盘赌算法筛选出最优局部目标点。

参见图3，该步骤的具体流程如下：

子步骤1)：初始化搜索空间，根据障碍物比例确定搜索步长，并构建邻接矩阵。

子步骤2)：把第一代蚂蚁m(m＝1，2，…，M)放到初始位置，并把初始位置加入到每个蚂蚁的禁忌表，M表示蚂蚁个数。

子步骤3)：寻找下一步可以前往的节点，形成可选节点集合LJD。当前节点与终止节点间距离是否小于搜索步长或者可选节点集合是否为空集；若不是，则执行子步骤4)，若是执行子步骤6)。

子步骤4)：计算可选节点的状态转移概率。在计算启发函数时，融合了A*算法的估价函数，引入当前节点与终止节点间联系，以优化搜索。

子步骤5)：利用随机轮盘赌法选择下一个节点(to_visit)。

子步骤6)：更新蚂蚁所在位置节点和禁忌表。

子步骤7)：记录路径及其长度。

子步骤8)：重复子步骤(2)-子步骤(7)，直至第一代的所有蚂蚁遍历完；

子步骤9)：更新信息素；

子步骤10)：重复子步骤(2)-子步骤(9)，直至遍历所有代数，K迭代次数；

子步骤11)：得到最优路径。此处需要计算路径长度及其成本代价属性值(如下公式)，综合考虑路径长度和无人机在此路径上飞行的潜在风险，得到最优路径。路径成本代价属性值计算过程如下式：

w_i＝max(w_通信,w_限制区,w_机场,w_地形,w_气候)

式中，W是路径成本代价属性值，w_i是路径上第i个节点的成本代价属性值，N是路径上的节点数量，w_通信,w_限制区,w_机场,w_地形,w_气候分别表示通信盲区、限制区、机场、地形和气候等各类网格成本代价属性值。

需要说明的是，本发明实施例中的术语“节点”是路径搜索过程中的叫法，“航点”是得到最后的路径搜索结果时的叫法。

步骤104，根据二维航路和基准地形数据，得到三维航路。

具体地，在二维航路的基础上，得到每个航路点的高度信息(即航路点高程)，进而得到三维航路点坐标，从而得到三维航路。

获取航点高程的过程如下：判断下一个航点在基准地形数据中地形高度是否大于航路下界面高度与最小超障裕度的差值，若判断为是，则下一个航点高度等于航路范围内的栅格高程平均值与最小超障裕度之和，若判断为否，下一个航点高度等于航路下界面高度。换言之：航点高程由航路下界面初始高度和航点所在地形高度以及无人机最小超障裕度共同确定。若下一航点地形高度大于航路下界面高度与最小超障裕度差值，则无人机爬升，下一个航点高度等于地形高度与最小超障裕度之和；反之，则无人机俯仰角不变，沿当前高度继续飞行，即下一个航点高度等于当前航点高度。最小超障裕度是指保证飞机超越障碍时所应保证的最小垂直间隔，影响因素包括可能造成高度偏差的气象条件、仪表误差和无人航空器性能等。

为了安全地跨越山体，无人机需要爬升飞行，当越过最高点时，继续保持当前高度飞行即可，因此，在若判断为否之后，本方法还包括：判断下一个航点在基准地形数据中是否处于山体范围且当前航点高度是否高于山体范围的最高点且下一个航点高度是否小于当前航点高度，若判断为是，则下一个航点高度等于当前航点高度；也就是说：当越过最高点时，对下一个航点高度与当前航点高度进行对比分析，若下一航点高度低于当前航点高度，则下一航点高度等于当前航点高度。该步骤属于对航点高程的纠正的步骤。在其他实施例中，还可以在获取航点高程后，对下一航点高度和当前航点高度进行比较。

无人机在经过不同地形环境时，其路径搜索对数字环境的分辨率要求不同，如平原地区地形因素几乎没有影响，仅考虑其它自然或人工地物要素，对分辨率要求较低，而当无人机经过山区时，地形因素影响很大，这时对分辨率要求很高；但是随着分辨率的增加，算法效率会降低，因此在二维路径搜索时，采用第一分辨率进行，该第一分辨率低于第二分辨率，第二分辨率为山区地形数据所采用的分辨率，第一分辨率为平原地区地形数据所采用的分辨率。在得到二维航路之后，根据二维航路和基准地形数据得到三维航路之前，本方法还包括：判断二维航路的两相邻航点是否与山区对应，若判断为是，则在该两相邻航点之间增加若干个航点。也就是说：先采取相对较低的分辨率(即第一分辨率)进行二维航路搜索，再针对山区基于高精度地形数据(即第二分辨率)对二维航点数据进行加密处理，即在两相邻航点间增加若干等间距的航点，缩小相邻航点间距。换言之，根据地形分辨率对二维航路的两相邻航点进行加密处理。该步骤属于对二维航路点进行加密处理的步骤。

该步骤的流程示意图如图4所示。

本发明实施例带来的有益效果如下：

使路径搜索效率更高、耗时更短。

由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。

Claims (9)

1.一种无人机低空公共航路设计方法，其特征在于，所述方法包括：

构建无人机低空飞行环境数学模型；

对经数字化的所述无人机低空飞行环境数学模型在预设飞行高度上进行水平切片，得到所述预设飞行高度上的数字化的二维低空环境数学模型；

基于蚁群算法在所述数字化的二维低空环境数学模型中进行二维路径搜索，得到二维航路；

根据所述二维航路和基准地形数据，得到三维航路；

其中，在所述蚁群算法中，搜索空间由以起始节点和终止节点间连线做可变距离的缓冲形成，缓冲距离从初始值以1个搜索步长逐渐增加直至所述搜索空间内有最优航路解。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

在所述蚁群算法中，启发函数η_ij(t)：

其中，d_ij表示当前节点i和下一节点j间距离，分别为归一化后的下一节点离起始节点和终止节点的距离，d_Oi为起始节点和当前节点i间距离，d_OE为起始节点和终止节点间距离，C和ρ为常数，表示下一节点与起始节点间距离的权重，ρ表示开始引入方向信息的路径长度阈值，allowed_k表示蚂蚁可以到达的节点。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

在所述蚁群算法中，若由随机函数产生的随机数rand＜max(P_i)，则采用轮盘赌算法对下一个节点进行选择；若由所述随机函数产生的随机数rand＝max(P_i)，则将转移概率最大的节点作为下一节点。

4.根据权利要求1所述的方法，其特征在于，所述构建无人机低空飞行环境数学模型包括：

构建无人机低空飞行空间初始模型，在所述无人机低空飞行空间初始模型中飞行空间的下界面由基准地形高度决定，飞行空间的上界面由移动通信基站信号空间分布决定；

对所述无人机低空飞行空间初始模型中约束无人机安全飞行的要素进行数学建模，完成构建所述无人机低空飞行环境数学模型。

5.根据权利要求4所述的方法，其特征在于，所述约束无人机安全飞行的要素包括：山峰约束要素、高层建筑约束要素、低空气候约束要素和空域政策限制区约束要素。

6.根据权利要求5所述的方法，其特征在于，在所述蚁群算法中，在局部搜索空间内判断用所述约束无人机安全飞行的要素和通信盲区约束要素表征的障碍物的比例是否低于预设比例阈值，若判断为低于预设比例阈值，则调整搜索步长。

7.根据权利要求1所述的方法，其特征在于，所述根据所述二维航路和基准地形数据得到三维航路，具体包括：

判断下一个航点在基准地形数据中地形高度是否大于航路下界面高度与最小超障裕度的差值，若判断为是，则下一个航点高度等于航路范围内的栅格高程平均值与最小超障裕度之和，若判断为否，下一个航点高度等于所述航路下界面高度。

8.根据权利要求7所述的方法，其特征在于，在若判断为否之后，所述方法还包括：

判断下一个航点在基准地形数据中是否处于山体范围且当前航点高度是否高于山体范围的最高点且所述下一个航点高度是否小于所述当前航点高度，若判断为是，则所述下一个航点高度等于所述当前航点高度；

若判断为否，则跳转至步骤下一个当前航点高度等于所述航路下界面高度。

9.根据权利要求1所述的方法，其特征在于，在二维路径搜索时，采用第一分辨率进行，所述第一分辨率低于第二分辨率，所述第二分辨率为山区地形数据所采用的分辨率；

在所述得到二维航路之后，所述根据所述二维航路和基准地形数据得到三维航路之前，所述方法还包括：

判断二维航路的两相邻航点是否与山区对应，若判断为是，则在该两相邻航点之间增加若干个航点。