三维动态避障路径规划：山羊优化算法（Goat Optimization Algorithm, GOA）融合动态窗口法DWA的无人机三维动态避障方法研究，MATLAB代码-智慧文博士

针对无人机在三维动态环境下路径规划存在的实时性差、避障精度低、路径平滑性不足等问题，提出一种山羊优化算法（Goat Optimization Algorithm, GOA）混合的路径规划方法。首先，利用山羊优化算法GOA完成全局路径的离线规划；其次，结合动态窗口法进行局部动态避障的在线优化，利用无人机运动学约束筛选速度窗口，保证路径的实时性和安全性；最后，通过三维动态仿真环境验证算法性能。实验结果表明，混合算法在动态障碍物场景下，具备更优的路径长度、避障成功率和实时响应速度，满足无人机三维动态环境下的路径规划需求。

一、引言

无人机在物流配送、电力巡检、应急救援等领域的应用日益广泛，其作业环境逐渐从结构化静态场景向非结构化动态场景拓展。三维动态避障路径规划作为无人机自主导航的核心技术，需要同时满足全局最优性、局部实时性和运动安全性三大要求。

传统路径规划方法可分为全局规划和局部规划两类。全局规划方法如A*算法、Dijkstra算法、粒子群算法等，能够生成全局最优路径，但对动态障碍物的响应能力不足；局部规划方法如动态窗口法、人工势场法等，具备较强的实时避障能力，但易出现局部最优或路径震荡问题。因此，将全局规划与局部规划相结合，成为解决三维动态避障问题的主流思路。

动态窗口法基于无人机运动学模型筛选可行速度集，能够快速响应动态障碍物，但缺乏全局路径引导，易导致路径偏离目标。基于此，本文提出山羊优化算法GOA-DWA混合算法，通过全局路径引导局部避障，实现无人机在三维动态环境下的高效路径规划。

二、相关基础理论

2.1 无人机三维运动学模型

为简化分析，将无人机视为质点，其在三维空间中的运动状态可由位置坐标( x , y , z ) (x,y,z)(x,y,z)

2.2 山羊优化算法GOA

山羊优化算法（Goat Optimization Algorithm, GOA）是2025年提出的一种新型生物启发式元启发式算法，灵感来源于山羊在恶劣和资源有限环境中的适应性行为。该算法旨在通过模拟山羊的觅食策略、移动模式和躲避寄生虫的能力，有效平衡探索和开发，以解决全局优化问题。
https://blog.csdn.net/weixin_46204734/article/details/146115384
参考文献：
[1]nozari, hamed, and Agnieszka Szmelter-Jarosz. “Goat Optimization Algorithm: A Novel Bio-Inspired Metaheuristic for Global Optimization.” Applied Innovations in Industrial Management (AIIM), 2025.
https://blog.csdn.net/weixin_46204734/article/details/146115384

2.3 动态窗口法原理

动态窗口法的核心思想是在速度空间中搜索最优速度向量，其核心步骤包括：

速度窗口采样：根据无人机运动学约束，生成可行速度集V s a m p l e V_{sample}Vsample；
轨迹预测：对每个采样速度，预测未来一段时间内的无人机轨迹；
评价函数计算：通过评价函数评估每条预测轨迹的优劣，筛选出最优轨迹对应的速度；
速度更新：将最优速度作为无人机的当前运动速度，完成局部路径规划。

评价函数包含目标趋近度、避障安全性和速度平滑性三个指标，其表达式为：
G ( v , ω ) = α ⋅ h e a d i n g ( v , ω ) + β ⋅ d i s t ( v , ω ) + γ ⋅ v e l o c i t y ( v , ω ) G(v,\omega)=\alpha \cdot heading(v,\omega)+\beta \cdot dist(v,\omega)+\gamma \cdot velocity(v,\omega)G(v,ω)=α⋅heading(v,ω)+β⋅dist(v,ω)+γ⋅velocity(v,ω)
其中，α , β , γ \alpha,\beta,\gammaα,β,γ为权重系数，h e a d i n g headingheading表示轨迹与目标方向的夹角，d i s t distdist表示轨迹与障碍物的最小距离，v e l o c i t y velocityvelocity表示轨迹的速度大小。

2.4 混合算法的整体流程

山羊优化算法GOA-DWA混合算法的整体流程如下：

环境建模：构建三维空间环境模型，输入无人机起点、终点坐标，以及静态障碍物和动态障碍物的初始位置与运动参数；
全局路径规划：利用部落竞争与成员合作算法生成避开静态障碍物的全局路径，并将路径节点存储为引导点序列；
无人机状态感知：无人机通过传感器实时获取自身位置、速度信息，以及动态障碍物的实时位置；
局部动态避障：以全局路径为引导，采用动态窗口法生成局部避障路径，驱动无人机运动；
路径更新与终止判断：无人机每运动一个步长，重复步骤3-4，直至到达终点。

三、仿真实验与MATLAB代码

clc;clear;close all;global model % Number of runs model=CreateModel();% Create search map and parametersCostFunction=@(x)MyCost(x);% Cost FunctionnVar=model.n;% Number of Decision Variables=searching dimension of ACO=number of path nodesVarSize=[1nVar];% Size of Decision Variables Matrix %% 算法求解[Fgbest,Xgbest,BestCost,Kk]=(pop,M,lb,ub,dim,CostFunction);%% Plot results % Best solution BestPosition=SphericalToCart1(Xgbest);disp("Best solution...");BestPosition;smooth=0.95;PlotSolution(BestPosition,model,smooth);% Best cost figure;plot(BestCost,'LineWidth',2);xlabel('Iteration');ylabel('Best Cost');grid on;save data.mat