CN114138005B - 基于改进a*算法的城区批量物流无人机航迹规划方法及装置 - Google Patents

Abstract

本发明公开了一种基于改进A*算法的城区批量物流无人机航迹规划方法及装置，所述方法包括采用栅格法划分空域环境，确定出各栅格的风险值，形成基于风险的城市低空空域环境模型；基于所述城市低空空域环境模型，以物流无人机航迹风险最小为目标函数，结合无人机性能约束，形成城区批量物流无人机航迹规划模型；基于改进A*算法，以及所述城区批量物流无人机航迹规划模型，求解得到多架物流无人机的初始飞行航迹；对所述初始飞行航迹进行平滑，得到优化后的批量物流无人机飞行航迹。本发明能够解决无人机航迹安全性不高、无法批量生成多条无冲突预先飞行航迹的问题。

Description

基于改进A*算法的城区批量物流无人机航迹规划方法及装置

技术领域

本发明属于无人机航迹规划技术领域，具体涉及一种基于改进A*算法的城区批量物流无人机航迹规划方法及装置。

背景技术

在城市低空空域环境下，使用无人机进行“最后一公里”配送成为物流行业的发展趋势。随着物流配送任务需求量的增加，物流无人机所服务的对象往往不止一个，而单架无人机能力有限，则需要多架物流无人机同时执行配送任务。此时，需要为多架物流无人机生成批量的安全、可靠预先飞行航迹。

由于城市人口密集加之地面建筑众多，使用物流无人机进行配送对安全性有较高的要求。目前国内外对于无人机航迹规划的研究多集中于求解最短航迹，优化目标较为单一，且规划的对象多为单架无人机，无法适应城市物流配送高安全性和高配送量的要求，亟需结合城市低空空域环境特点，提出一种适合城市区域的批量物流无人机航迹规划方法。

发明内容

针对上述问题，本发明提出一种基于改进A*算法的城区批量物流无人机航迹规划方法及装置，能够解决无人机航迹安全性不高、无法批量生成多条无冲突预先飞行航迹的问题。

为了实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

第一方面，本发明提供了一种基于改进A*算法的城区批量物流无人机航迹规划方法，包括：

采用栅格法划分空域环境，确定出各栅格的风险值，形成基于风险的城市低空空域环境模型；

基于所述城市低空空域环境模型，以物流无人机航迹风险最小为目标函数，结合无人机性能约束，形成城区批量物流无人机航迹规划模型；

基于改进A*算法，以及所述城区批量物流无人机航迹规划模型，求解得到多架物流无人机的初始飞行航迹；

对所述初始飞行航迹进行平滑，得到优化后的批量物流无人机飞行航迹。

可选地，所述城市低空空域环境模型的形成方法包括：

将城市低空空域划分为大小相等的立方体栅格，每一个栅格代表一个区域；

若某区域含有障碍物，则将栅格标记为障碍物栅格，并赋值为1；

若某区域不含障碍物，则将栅格标记为可飞栅格，并依据地面人口数量、物流无人机坠落撞击动能、地物遮蔽情况进行运行风险评估，确定栅格的风险值，由此得到基于风险的城市低空空域环境模型。

可选地，所述栅格的风险值的计算公式为：

其中：

N＝A×ρ

式中，R为物流无人机在坐标P(x,y,z)处运行产生的风险值，F为物流无人机自身失效坠落的概率，P为物流无人机在坐标P(x,y,z)处坠落造成的人员致死概率，N为坐标p(x,y,z)处的地面人口数量；α为当遮蔽系数s₀＝0.5时，人员死亡率为50％时的撞击动能；β为遮蔽系数s₀趋向0时，物流无人机坠落导致人员死亡的撞击动能；E_imp为物流无人机坠落的撞击动能；m_uav为物流无人机的总质量，v_imp为其坠落至地面时的速度；g为重力加速度，ρ_air为空气密度，A_uav为物流无人机的截面积，C_d为阻力系数，h_uav为物流无人机飞行高度；A为物流无人机坠落对地面影响的面积，ρ为坐标p(x,y,z)处的人口密度。

可选地，所述城区批量物流无人机航迹规划模型的形成方法包括：

以物流无人机航迹风险最小作为城区批量物流无人机航迹规划模型的目标函数；

确定物流无人机飞行高度约束；

确定物流无人机运行风险约束；

确定物流无人机最大航程约束；

确定物流无人机最小航迹段长度约束；

确定物流无人机最大起飞质量约束；

得到城区批量物流无人机航迹规划模型。

可选地，所述城区批量物流无人机航迹规划模型的表达式为：

式中，C_i为第i架无人机航迹风险代价，和/>分别为第i架无人机第j和第j-1个航迹点对应栅格的风险值，d_j,j-1为第j和第j-1个航迹点间的欧氏距离；/>为物流无人机途经的第j个航迹点坐标，j＝1,2,...,n-1；/>为第i架无人机第j个航迹点的竖坐标；n为航迹坐标总数，H_min为无人机可飞行的最低高度；H_max为无人机可飞行的最高高度；ELS表示物流无人机运行的等效安全水平；L_max为物流无人机最大负载情况下可飞行的最远距离；l_min为物流无人机的最小航迹段长度；m_i为第i架无人机的总质量，MTOM为物流无人机的最大起飞质量。

可选地，所述多架物流无人机的初始飞行航迹的求解方法包括：

根据所述城区批量物流无人机航迹规划模型的目标函数，确定改进A*算法的实际代价函数和启发函数，并计算得到估价函数；

根据障碍物密集程度，确定航迹搜索动态步长；

若当前物流无人机序号小于或等于所需规划物流无人机航迹总数，则根据估价函数值比较判断航迹点优劣，搜寻得到当前物流无人机的航迹点；若搜寻到达当前物流无人机的目标点，则将搜寻得到的当前物流无人机航迹点对应栅格值赋值为1；若未到达目标点，则提示当前物流无人机航迹规划失败；将当前物流无人机序号加1，直至当前物流无人机序号大于所需规划物流无人机航迹总数。

可选地，所述估价函数的计算公式为：

f(x)＝g(x)+h(x)

式中，f(x)为估价函数，g(x)为实际代价函数，h(x)为启发函数，R₀表示栅格风险值的预估值，为目标点G_i的坐标，/>为物流无人机途经的第j个航迹点坐标，j＝1,2,...,n-1，/>和/>分别为第i架无人机第j和第j-1个航迹点对应栅格的风险值，d_j,j-1为第j和第j-1个航迹点间的欧氏距离。

可选地，所述根据障碍物密集程度，确定航迹搜索动态步长，具体包括：

步骤1：以最大步长η_max计算当前扩展航迹点周围的栅格总数N₀；

步骤2：依次判断当前扩展航迹点周围在最大步长η_max范围内的栅格是否为障碍物栅格；

步骤3：若为障碍物栅格，则令N_obst＝N_obst+1，其中N_obst表示障碍物栅格数量；

步骤4：按照航迹搜索动态步长计算公式，确定当前动态步长η；

所述航迹搜索动态步长计算公式，具体为：

式中，η_max、η_mid和η_min分别表示动态步长的最大值、中间值和最小值，ρ_obst表示障碍物密集程度，ε表示障碍物密集程度的阈值。

可选地，所述根据估价函数值比较判断航迹点优劣，搜寻得到当前物流无人机的航迹点，具体包括：

步骤1：获取第i架无人机出发点S_i和目标点G_i的坐标，及城区批量物流无人机航迹规划模型的相关性能参数；

步骤2：建立OPEN_i列表和CLOSE_i列表，将S_i点所在栅格加入OPEN_i列表；

步骤3：判断OPEN_i列表是否为空；

步骤4：当OPEN_i列表不为空，则弹出OPEN_i列表中估价函数值最小的航迹点P_i，将其从OPEN_i列表中删除，加入CLOSE_i列表；

步骤5：根据当前动态步长η，获取P_i点的周围航迹点集合U_i，若集合U_i中某点对应栅格的风险值为1，则跳过该点，否则记该点为T_i；

步骤6：分别计算g(T_i)、h(T_i)，进而得到f(T_i)值：进行如下判断：

①若T_i点在OPEN_i列表中，则将T_i点原有的实际代价函数值g(T_i′)与当前计算的g(T_i)值作比较，若g(T_i)<g(T_i′)，则修改T_i点的父节点为P_i点；否则不做任何改变；

②若T_i点在CLOSE_i列表中，则跳过该点；

③若T_i点既不在OPEN_i列表，也不在CLOSE_i列表，则将T_i点加入OPEN_i列表，并对OPEN_i列表中的航迹点按估价函数值大小排序；

所述若搜寻到达当前物流无人机的目标点，则将搜寻得到的当前物流无人机航迹点对应栅格值赋值为1；若未到达目标点，则提示当前物流无人机航迹规划失败；将当前物流无人机序号加1，具体为：

若到达目标点G_i，则由G_i点沿其父节点回溯至出发点S_i，得到第i架无人机的飞行航迹Path_i；若未到达目标点G_i，则提示规划失败，无法搜寻得到第i架无人机的航迹，则Path_i为空；

令Path_i中各航迹点对应栅格的风险值为1，令i＝i+1。

第二方面，本发明提供了一种基于改进A*算法的城区批量物流无人机航迹规划装置，包括：

处理器；

存储器，其上存储有可在所述处理器上运行的计算机程序；

其中，所述计算机程序被所述处理器执行时实现如权利要求1至9中任一项所述的基于改进A*算法的城区批量物流无人机航迹规划方法的步骤。

与现有技术相比，本发明的有益效果：

本发明通过构建基于风险的城市低空空域环境，精确计算每一栅格对应的无人机运行风险值，反应物流无人机在城市配送时对地面的安全影响，从而为规划运行风险低、安全性高的航迹奠定基础。

本发明通过设计A*算法实际代价函数和启发函数，合理判断航迹点优劣，得到安全性高的航迹点；同时，根据障碍物密集程度，采取动态步长策略，进一步提高算法效率，减少不必要的航迹点数，使得航迹规划速度更快、质量更优。能够为多架物流无人机规划批量无冲突的预先飞行航迹，保证多架次无人机的配送安全。

附图说明

为了使本发明的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本发明作进一步详细的说明，其中：

图1为本发明一种实施例的基于改进A*算法的城区批量物流无人机航迹规划方法的实现流程图。

图2为本发明一种实施例的城市低空空域划分示意图；

图3为本发明一种实施例的改进A*算法航迹点搜索流程图；

图4为本发明一种实施例的航迹平滑示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明的保护范围。

下面结合附图对本发明的应用原理作详细的描述。

实施例1

图1为本发明实施例基于改进A*算法的城区批量物流无人机航迹规划方法的实现流程图，如图1所示，所述方法具体包括以下步骤：

步骤1：采用栅格法划分空域环境，确定出各栅格的风险值，形成基于风险的城市低空空域环境模型；

步骤2：基于所述城市低空空域环境模型，以物流无人机航迹风险最小为目标函数，结合无人机性能约束，形成城区批量物流无人机航迹规划模型；

步骤3：基于改进A*算法，以及所述城区批量物流无人机航迹规划模型，求解得到多架物流无人机的初始飞行航迹；

步骤4：对所述初始航迹进行平滑，得到优化后的批量物流无人机飞行航迹。

在本发明实施例的一种具体实施方式中，所述步骤1具体包括以下步骤：

步骤1.1：采用栅格法进行空域划分，以O为原点建立笛卡尔坐标系，将空域分成u×v×w个立方体栅格。设每一栅格的长、宽和高均为r，则空域总长度L＝u×r，空域总宽度W＝v×r，空域的高度H＝w×r。根据栅格内是否含有障碍物，可将其分为可飞栅格和障碍物栅格，可飞栅格可作为航迹点备选，而障碍物栅格则不可作为航迹点。具体参见图2。

步骤1.2：确定地面人口数量。设某栅格对应的坐标为p(x,y,z)，该坐标处的地面人口数量N可表示为：

N＝A×ρ

其中，A为物流无人机坠落对地面影响的面积，ρ为坐标p(x,y,z)处的人口密度。

步骤1.3：确定地面遮蔽情况。当物流无人机失效坠落时，地面的建筑、树木、汽车等对于物流无人机的坠落有缓解作用，可根据栅格实际情况选取不同的遮蔽系数s₀以表征缓解程度。当无遮蔽时s₀取0，低层建筑物下s₀取0.5，高层建筑物下s₀取0.75。

步骤1.4：确定物流无人机撞击动能大小。物流无人机坠落的撞击动能E_imp可表示为：

其中，m_uav为物流无人机的总质量，v_imp为其坠落至地面时的速度，v_imp可由下式计算：

其中，g为重力加速度，ρ_air为空气密度，A_uav为物流无人机的截面积，C_d为阻力系数，h_uav为物流无人机飞行高度。

步骤1.5：确定物流无人机坠落致死概率。物流无人机在坐标P(x,y,z)处坠落造成的人员致死概率P可表示为：

其中，α为当遮蔽系数s₀＝0.5时，人员死亡率为50％时的撞击动能；β为遮蔽系数s₀趋向0时，物流无人机坠落导致人员死亡的撞击动能；

步骤1.6：确定栅格风险值大小。物流无人机在坐标P(x,y,z)处运行产生的风险值R为：

其中，F为物流无人机自身失效坠落的概率。

由此可以计算得到每一栅格的风险值大小，从而得到基于风险的城市低空空域环境模型。

在本发明实施例的一种具体实施方式中，所述步骤2具体包括以下步骤：

步骤2.1：将物流无人机航迹风险最小作为目标函数。设第i架物流无人机出发点S_i的坐标为目标点G_i的坐标为/>无人机途经的第j个航迹点坐标为j＝1,2,...,n-1。则第i架无人机航迹风险代价C_i表示为：

其中，和/>分别表示第i架无人机第j和第j-1个航迹点对应栅格的风险值，d_j,j-1表示第j和第j-1个航迹点间的欧氏距离。

步骤2.2：确定物流无人机飞行高度约束；所述飞行高度约束条件为：

其中，为第i架无人机第j个航迹点的竖坐标；H_min为无人机可飞行的最低高度；H_max为无人机可飞行的最高高度；

步骤2.3：确定物流无人机运行风险约束；所述运行风险约束条件为：

其中，ELS表示物流无人机运行的等效安全水平。

步骤2.4：确定物流无人机最大航程约束；所述最大航程约束条件为：

其中，L_max为物流无人机最大负载情况下可飞行的最远距离。

步骤2.5：确定物流无人机最小航迹段长度约束；所述最小航迹段长度约束条件为：

其中，l_min为物流无人机的最小航迹段长度。

步骤2.6：确定物流无人机最大起飞质量约束；所述最大起飞质量约束条件为：

其中，m_i为第i架无人机的总质量，MTOM为物流无人机的最大起飞质量。

步骤2.7：得到城区批量物流无人机航迹规划模型。所述城区批量物流无人机航迹规划模型为：

在本发明实施例的一种具体实施方式中，所述步骤3具体包括以下步骤：

步骤3.1：根据得到的城区批量物流无人机航迹规划模型目标函数，确定改进A*算法的实际代价函数和启发函数，并计算得到估价函数；具体包括：

步骤3.11：根据步骤2.1中的物流无人机航迹风险代价C_i的表达式，可以得到实际代价函数g(x)的表达式为：

步骤3.12：确定物流无人机航迹风险代价的启发函数h(x)为：

其中，R₀表示栅格风险值的预估值。

步骤3.13：确定物流无人机航迹风险代价的估价函数f(x)为：

f(x)＝g(x)+h(x)

步骤3.2：根据障碍物密集程度，确定航迹搜索动态步长；具体包括：

步骤3.21：以最大步长η_max计算当前扩展航迹点周围的栅格总数N₀；

步骤3.22：依次判断当前扩展航迹点周围在最大步长η_max范围内的栅格是否为障碍物栅格；

步骤3.23：若为障碍物栅格，则令N_obst＝N_obst+1，其中N_obst表示障碍物栅格数量；

步骤3.24：按照航迹搜索动态步长计算公式，确定当前动态步长η；

所述航迹搜索动态步长计算公式，具体为：

式中，η_max、η_mid和η_min分别表示动态步长的最大值、中间值和最小值，ρ_obst表示障碍物密集程度，ε表示障碍物密集程度的阈值。

步骤3.3：判断当前物流无人机序号是否小于或等于所需规划物流无人机航迹总数，若大于则执行步骤4；图3为本发明改进A*算法航迹点搜索流程图，具体包括：

令第一架物流无人机序号i的值为1，判断当前物流无人机序号i是否小于或等于所需规划物流无人机航迹总数N_path，若大于则执行步骤4。

步骤3.4：根据估价函数值比较判断航迹点优劣，搜寻得到当前物流无人机的航迹点；具体包括：

步骤3.41：获取第i架无人机出发点S_i和目标点G_i的坐标，及步骤2中的相关性能参数。

步骤3.42：建立OPEN_i列表和CLOSE_i列表，将S_i点所在栅格加入OPEN_i列表。

步骤3.43：判断OPEN_i列表是否为空，若为空则执行步骤3.5。

步骤3.44：弹出OPEN_i列表中估价函数值最小的航迹点P_i，将其从OPEN_i列表中删除，加入CLOSE_i列表。

步骤3.45：根据步骤3.2确定当前动态步长η，获取P_i点的周围航迹点集合U_i，若集合U_i中包含目标点G_i，则转向步骤3.5；若集合U_i中某点对应栅格的风险值为1，则跳过该点，否则记该点为T_i。

步骤3.46：分别计算g(T_i)、h(T_i)，进而得到f(T_i)值。进行如下判断：

①若T_i点在OPEN_i列表中，则将T_i点原有的实际代价函数值g(T_i′)与当前计算的g(T_i)值作比较，若g(T_i)<g(T_i′)，则修改T_i点的父节点为P_i点；否则不做任何改变。

②若T_i点在CLOSE_i列表中，则跳过该点。

③若T_i点既不在OPEN_i列表，也不在CLOSE_i列表，则将T_i点加入OPEN_i列表，并对OPEN_i列表中的航迹点按估价函数值大小排序，返回步骤3.43。

步骤3.5：若到达目标点G_i，则由G_i点沿其父节点回溯至出发点S_i，得到第i架无人机的飞行航迹Path_i；若未到达目标点G_i，则提示规划失败，无法搜寻得到第i架无人机的航迹，则Path_i为空。

步骤3.6：令Path_i中各航迹点对应栅格的风险值为1，令i＝i+1，返回步骤3.3。

在本发明实施例的一种具体实施方式中，所述步骤4具体为：采用NURBS曲线对初始航迹进行平滑，得到优化后的批量物流无人机飞行航迹。更具体地包括以下步骤：

图4是物流无人机航迹平滑示意图。其中，点P₁至P₅为改进A*算法求解得到的航迹点，连接各航迹点的黑色实线表示初始航迹，将各航迹点作为NURBS曲线的控制点，NURBS曲线可为每个控制点分配相应的权重值，以得到更为灵活的平滑航迹，提高航迹的局部平滑能力。NURBS曲线的一般形式可表示为：

其中，ω_i表示控制点P_i的权重值；B_i,k(t)为NURBS曲线的基函数，其递推关系式为：

其中，u_i表示节点，k表示曲线次数。对规划得到的航迹点使用NURBS曲线连接可以得到平滑后的飞行航迹，当控制点P_i的权重值ω_i不同时，可得到不同的航迹平滑结果，结果如图4中灰色线条所示，分别表示ω_i取1、2和3时的航迹平滑结果。

实施例2

基于与实施例1相同发明构思，本发明实施例中提供了一种基于改进A*算法的城区批量物流无人机航迹规划装置，包括：

处理器；

存储器，其上存储有可在所述处理器上运行的计算机程序；

其中，所述计算机程序被所述处理器执行时实现如实施例1中任一项所述的基于改进A*算法的城区批量物流无人机航迹规划方法的步骤。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (4)

1.一种基于改进A*算法的城区批量物流无人机航迹规划方法，其特征在于，包括：

采用栅格法划分空域环境，确定出各栅格的风险值，形成基于风险的城市低空空域环境模型；

基于所述城市低空空域环境模型，以物流无人机航迹风险最小为目标函数，结合无人机性能约束，形成城区批量物流无人机航迹规划模型；

基于改进A*算法，以及所述城区批量物流无人机航迹规划模型，求解得到多架物流无人机的初始飞行航迹；

对所述初始飞行航迹进行平滑，得到优化后的批量物流无人机飞行航迹；

所述城市低空空域环境模型的形成方法包括：

将城市低空空域划分为大小相等的立方体栅格，每一个栅格代表一个区域；

若某区域含有障碍物，则将栅格标记为障碍物栅格，并赋值为1；

若某区域不含障碍物，则将栅格标记为可飞栅格，并依据地面人口数量、物流无人机坠落撞击动能、地物遮蔽情况进行运行风险评估，确定栅格的风险值，由此得到基于风险的城市低空空域环境模型；

所述栅格的风险值的计算公式为：

其中：

N＝A×ρ

式中，R为物流无人机在坐标P(x,y,z)处运行产生的风险值，F为物流无人机自身失效坠落的概率，P为物流无人机在坐标P(x,y,z)处坠落造成的人员致死概率，N为坐标p(x,y,z)处的地面人口数量；α为当遮蔽系数s₀＝0.5时，人员死亡率为50％时的撞击动能；β为遮蔽系数s₀趋向0时，物流无人机坠落导致人员死亡的撞击动能；E_imp为物流无人机坠落的撞击动能；m_uav为物流无人机的总质量，v_imp为其坠落至地面时的速度；g为重力加速度，ρ_air为空气密度，A_uav为物流无人机的截面积，C_d为阻力系数，h_uav为物流无人机飞行高度；A为物流无人机坠落对地面影响的面积，ρ为坐标p(x,y,z)处的人口密度；

所述多架物流无人机的初始飞行航迹的求解方法包括：

根据所述城区批量物流无人机航迹规划模型的目标函数，确定改进A*算法的实际代价函数和启发函数，并计算得到估价函数；

根据障碍物密集程度，确定航迹搜索动态步长；

若当前物流无人机序号小于或等于所需规划物流无人机航迹总数，则根据估价函数值比较判断航迹点优劣，搜寻得到当前物流无人机的航迹点；若搜寻到达当前物流无人机的目标点，则将搜寻得到的当前物流无人机航迹点对应栅格值赋值为1；若未到达目标点，则提示当前物流无人机航迹规划失败；将当前物流无人机序号加1，直至当前物流无人机序号大于所需规划物流无人机航迹总数；

所述估价函数的计算公式为：

f(x)＝g(x)+h(x)

式中，f(x)为估价函数，g(x)为实际代价函数，h(x)为启发函数，R₀表示栅格风险值的预估值，为目标点G_i的坐标，/>为物流无人机途经的第j个航迹点坐标，j＝1,2,...,n-1，/>和/>分别为第i架无人机第j和第j-1个航迹点对应栅格的风险值，d_j,j-1为第j和第j-1个航迹点间的欧氏距离；

所述根据障碍物密集程度，确定航迹搜索动态步长，具体包括：

步骤1：以最大步长η_max计算当前扩展航迹点周围的栅格总数N₀；

步骤2：依次判断当前扩展航迹点周围在最大步长η_max范围内的栅格是否为障碍物栅格；

步骤3：若为障碍物栅格，则令N_obst＝N_obst+1，其中N_obst表示障碍物栅格数量；

步骤4：按照航迹搜索动态步长计算公式，确定当前动态步长η；

所述航迹搜索动态步长计算公式，具体为：

式中，η_max、η_mid和η_min分别表示动态步长的最大值、中间值和最小值，ρ_obst表示障碍物密集程度，ε表示障碍物密集程度的阈值；

所述根据估价函数值比较判断航迹点优劣，搜寻得到当前物流无人机的航迹点，具体包括：

步骤1：获取第i架无人机出发点S_i和目标点G_i的坐标，及城区批量物流无人机航迹规划模型的相关性能参数；

步骤2：建立OPEN_i列表和CLOSE_i列表，将S_i点所在栅格加入OPEN_i列表；

步骤3：判断OPEN_i列表是否为空；

步骤4：当OPEN_i列表不为空，则弹出OPEN_i列表中估价函数值最小的航迹点P_i，将其从OPEN_i列表中删除，加入CLOSE_i列表；

步骤5：根据当前动态步长η，获取P_i点的周围航迹点集合U_i，若集合U_i中某点对应栅格的风险值为1，则跳过该点，否则记该点为T_i；

步骤6：分别计算g(T_i)、h(T_i)，进而得到f(T_i)值：进行如下判断：

①若T_i点在OPEN_i列表中，则将T_i点原有的实际代价函数值g(T_i′)与当前计算的g(T_i)值作比较，若g(T_i)＜g(T_i′)，则修改T_i点的父节点为P_i点；否则不做任何改变；

②若T_i点在CLOSE_i列表中，则跳过该点；

③若T_i点既不在OPEN_i列表，也不在CLOSE_i列表，则将T_i点加入OPEN_i列表，并对OPEN_i列表中的航迹点按估价函数值大小排序；

所述若搜寻到达当前物流无人机的目标点，则将搜寻得到的当前物流无人机航迹点对应栅格值赋值为1；若未到达目标点，则提示当前物流无人机航迹规划失败；将当前物流无人机序号加1，具体为：

若到达目标点G_i，则由G_i点沿其父节点回溯至出发点S_i，得到第i架无人机的飞行航迹Path_i；若未到达目标点G_i，则提示规划失败，无法搜寻得到第i架无人机的航迹，则Path_i为空；

令Path_i中各航迹点对应栅格的风险值为1，令i＝i+1。

2.根据权利要求1所述的一种基于改进A*算法的城区批量物流无人机航迹规划方法，其特征在于，所述城区批量物流无人机航迹规划模型的形成方法包括：

以物流无人机航迹风险最小作为城区批量物流无人机航迹规划模型的目标函数；

确定物流无人机飞行高度约束；

确定物流无人机运行风险约束；

确定物流无人机最大航程约束；

确定物流无人机最小航迹段长度约束；

确定物流无人机最大起飞质量约束；

得到城区批量物流无人机航迹规划模型。

3.根据权利要求2所述的一种基于改进A*算法的城区批量物流无人机航迹规划方法，其特征在于，所述城区批量物流无人机航迹规划模型的表达式为：

式中，C_i为第i架无人机航迹风险代价，和/>分别为第i架无人机第j和第j-1个航迹点对应栅格的风险值，d_j,j-1为第j和第j-1个航迹点间的欧氏距离；为物流无人机途经的第j个航迹点坐标，j＝1,2,...,n-1；/>为第i架无人机第j个航迹点的竖坐标；n为航迹坐标总数，H_min为无人机可飞行的最低高度；H_max为无人机可飞行的最高高度；ELS表示物流无人机运行的等效安全水平；L_max为物流无人机最大负载情况下可飞行的最远距离；l_min为物流无人机的最小航迹段长度；

m_i为第i架无人机的总质量，MTOM为物流无人机的最大起飞质量。

4.一种基于改进A*算法的城区批量物流无人机航迹规划装置，其特征在于，包括：

处理器；

存储器，其上存储有可在所述处理器上运行的计算机程序；

其中，所述计算机程序被所述处理器执行时实现如权利要求1至3中任一项所述的基于改进A*算法的城区批量物流无人机航迹规划方法的步骤。