空地协同能够充分利用无人机与无人车功能互补的优势，在军事和民用领域得到了广泛应用，如险区作战、敌情侦察、灾害救援等。其中，无人车依赖无人机提供的环境信息进行导航和路径规划，以顺利执行如救援等任务是该领域的一个研究热点。
Peterson等［1］针对在未知环境下实现地面车辆的自主行驶问题，研究开发了一个采用无人机和地面车辆组成的协同作业系统。其中，空中无人机负责图像信息采集和图像处理，为地面车辆规划出一条考虑到地形因素的最优路径。Mohammadreza等［2］针对突发野火状况，提出了一种基于时空估计的空地协同轨迹规划问题的偏微分方程解决方案，利用UAV上的摄像头获得的本地数据估计和预测野火的传播趋势，为UGV获取一条从初始位置行驶到最终位置的安全路径；同时，规划UAV的路径以收集有关野火的信息。王修远等［3］针对野外应急救援活动中无具体道路的问题，提出了一种基于格网单元的改进A*算法，无人机为地面终端提供行进路径周边环境的影像，地面终端快速提取影像中地表类型及地形起伏等特征信息，为车辆规划出通往救援目标点的导航路径。王晨捷等［4］提出了一种基于无人机视觉SLAM的协同建图与导航方法，利用无人机空中视角带来的大范围环境感知能力，协助地面机器人快速构建环境模型，地面机器人根据无人机获得的初始全局地图自动规划全局路径。地面机器人在移动过程中，利用搭载的激光雷达对无人机构建的初始全局地图进行更新，并对路径进行连续重新规划，避免与障碍物发生碰撞。以上各种方法都有具体适合的应用场景。
本文以灾情救援为背景，针对无人机辅助下的救援无人车路径规划问题，提出基于无人机航拍图像识别环境障碍，动态规划无人车有效行驶路径的方法。
1 无人机航拍图像处理
在灾害救援情况下，无人机与无人车协同系统以其卓越的性能，展现了在人类难以直接介入的复杂环境和危险场景中的应对能力。无人机搭载的垂直摄像头捕捉现场的详细图像，随后通过图像处理技术，对环境中的潜在障碍进行精确识别，为无人车划定一个明确的区域。无人车根据无人机提供的信息采集区域实现车辆路径规划。地面站则作为无人机与无人车的指挥中心，提供出发点和目标点的精确坐标，确保整个救援行动的有序进行。协同系统场景如图1所示。
1.1 基于SURF算法的图像拼接
由于受到飞行高度、相机焦距及视角等因素的约束，单幅无人机图像通常视野有限，只能反映待观测区域的局部信息。为了满足全局感知的需求，利用图像拼接技术将无人机从多个角度对目标地区拍摄到的局部子图像拼接成一幅大视野全景图像［5］。常见的图像拼接算法包括基于方向的FAST特征点检测和旋转BRIEF描述符（oriented FAST and rotated BRIE，ORB）算法、尺度不变特征变换（scale-invariant feature transform，SIFT）算法及加速稳健特征（speeded-up robust features，SURF）算法等。在选择图像拼接算法时，需要综合考虑算法的鲁棒性、快速性、计算复杂度及特征匹配的准确性。为此，本文选择SURF算法作为无人机航拍图像的拼接算法［6］。图像拼接结果如图2所示，实验结果可用于后续UGV的路径规划。
1.2 基于灰度化的图像预处理
1.3 基于HSV色彩空间的障碍物识别
根据图像分割技术与数字形态学处理，上述图像可转换为UGV可执行的地图。UGV地图信息如图5所示。
2 基于改进人工势场法的UGV路径规划
在路径规划领域，人工势场法因其较高的计算效率和广泛的适用性得以广泛应用［10］。
该方法能够利用环境信息的拼接结果，快速地为地面无人车规划出行进路径，但人工势场法在实际应用中展现出以下两个问题：
1）目标不可到达问题：当无人车到达目标点附近，由于其周围存在的障碍物产生的斥力大于引力，使得无人车在目标点附近徘徊，不能到达目标点。
2）局部极小值问题：当无人车在某个点出现合斥力与合引力大小相等、方向相反的情况，导致无人车停在原地。
传统人工势场法仅考虑无人车与目标点、障碍物间的距离，适用于静态路径规划。对于动态障碍物，因传统人工势场法实时性差而难以生成平滑路径。
2.1 改进的人工势场法
针对人工势场法中的目标不可到达问题，引入动态增益因子和影响函数，对势场函数进行了重新设计，优化路径并确保顺利到达目标点。针对局部极小值问题，提出融入A*算法为人工势场法提供子目标点的方法，增强目标的可达性。
2.1.1 引力场函数设计
改进后的引力函数如式（1） 所示。
式中： 为引力的动态增益因子，表达方式为 ；W为常数，取值范围为（1，2）；R为当前点到目标点的欧式距离，其中 为Sigmoid函数的一种特定形式。
2.1.2 斥力场函数设计
传统人工势场法在无人车进入障碍物的影响范围时，斥力随着距离的减小而增大［13］，当距离趋近于0时，斥力趋于无穷大；当无人车到达障碍物附近时，会导致斥力过大，引起系统不稳定与路径抖动问题，可以通过设计新的斥力势场函数来解决这一问题。
在原斥力势场函数中添加的关于当前点到目标点的影响函数为
=
改进后的斥力函数为
式中： 为斥力分量，方向由障碍物指向无人车。
式中： 为引力分量，方向由无人车指向目标点。
影响函数与当前点到目标点之间的距离成正比，当无人车移动到障碍物影响范围时，影响函数在斥力函数的作用下，会使斥力呈指数形式减小，当无人车到达目标点时斥力为0，其在引力与 的共同作用下向目标点移动，从而解决目标不可到达问题。
2.2 融合A*算法解决局部极小值问题
针对局部极小值问题，提出采用人工势场法与A*算法相结合的方法。A*算法进行全局路径规划后获得全局静态路径［14］，然后提取全局静态路径中的关键点并将其设为全局子目标点，最后根据所设置的全局子目标点，通过改进的人工势场法进行局部路径规划，直至到达全局目标点，算法步骤如下：
3 仿真与分析
本文基于MATLAB建立无突发移动障碍、有突发移动障碍两种仿真环境，并进行仿真实验。
3.1 仿真参数设定
本文的仿真环境设置在25×25的二维空间区域，无人车所在的起始点为［1，2］，目标点为［19，20］。引力系数 为6，斥力系数 为16，障碍影响距离为2 m，移动障碍物速度为0.5 m/s。
3.2 仿真结果与分析
4 结论
针对无人机辅助的无人车路径规划问题，提出了一种基于环境信息的动态规划无人车有效行驶路径的方法。通过无人机搭载摄像头进行环境信息的采集，为无人车的路径规划提供环境数据。通过图像拼接算法对多幅图像进行融合，生成全局环境地图，利用色彩空间转换、图像分割和形态学处理技术，实现对地面障碍物的识别。在此基础上，针对传统人工势场法存在的问题，提出了相应的改进策略：通过在势场函数中引入影响函数与动态增益因子，确保无人车在目标点处达到受力平衡，增强了算法的目标可到达性；同时，将优化的A*算法与人工势场法相结合，利用优化A*算法提供的子目标点引导机制，有效增强了算法的局部极小值逃离能力。仿真实验结果表明，改进后的人工势场法不仅能够规避突发障碍物，而且生成的路径具有平滑度高、可行性强的特点，充分证明了该算法在突发障碍物环境下的适用性和优越性。