无人机技术在物流、安防等领域的应用越来越广泛，而在复杂的城市环境中，如何进行高效的空域管理成为关键课题。本文将展示一个使用 Python 和 gym 构建的城市空中交通仿真系统，结合 BFS 路径规划和随机策略的对比研究，探索无人机飞行调度与路径优化的实际应用。

一、背景与目标

无人机在城市空域中的运行面临以下核心挑战：

1. 路径规划：无人机需要从起点到达终点，同时避开障碍物和禁飞区。
2. 碰撞检测：确保在高密度空域中飞行器之间不发生碰撞。
3. 动态环境适应：考虑天气（如风力）等环境因素对飞行的影响。
4. 性能评估：通过多指标评估不同策略的有效性。

本文实现了一个三维仿真环境，支持以下功能：

• 使用 BFS 算法进行最短路径规划，避开禁飞区和越界区域。
• 对比 BFS 策略和随机策略的性能差异。
• 模拟风力对无人机运动的扰动，增加仿真真实性。
• 输出结果数据和可视化图表，便于直观比较不同策略的表现。

二、功能实现

1. 核心代码结构

代码由以下模块组成，每个模块对应特定功能：

├── WeatherSystem         # 天气系统，生成风向风速
├── CityAirTrafficEnv3D   # 仿真环境，负责状态更新、禁飞区检测等
├── bfs_policy            # 基于BFS的路径规划策略
├── random_policy         # 随机策略
├── run_simulation        # 仿真主逻辑
├── analyze_and_save      # 数据分析与结果保存
└── main                  # 主函数，运行仿真与对比

以下将逐一介绍主要功能。

2. 仿真环境

环境设计

CityAirTrafficEnv3D 是一个基于 gym 的三维网格环境，每架无人机都有以下状态：

• [x, y, z]：当前位置。
• [dest_x, dest_y, dest_z]：目标位置。
• done_flag：是否已到达目标。

无人机的动作空间包括：

• 动作编码：
  • 0：不动。
  • 1-6：分别对应向 +y, -y, +x, -x, +z, -z 移动。
• 风力扰动：
  • 无人机执行动作后，其位置会受当前风力影响（只影响 x 和 y 方向）。

class CityAirTrafficEnv3D(gym.Env):
    def __init__(self, ...):
        # 网格与无人机配置
        self.grid_size_x = grid_size_x
        self.grid_size_y = grid_size_y
        self.grid_size_z = grid_size_z
        self.num_drones = num_drones

        # 动作空间与状态空间
        self.observation_space = spaces.Box(low=..., high=..., dtype=np.float32)
        self.action_space = spaces.MultiDiscrete([7] * num_drones)

        # 环境内部状态
        self.drones_info = None
        self.total_collisions = 0
        self.total_no_fly_violations = 0
        ...

禁飞区与碰撞检测

• 禁飞区：预定义多个三维区域，进入则记为违规，并施加惩罚。
• 碰撞检测：若多架无人机位于同一坐标，则增加碰撞计数，并扣分。

3. 路径规划策略

BFS 路径规划

bfs_policy 使用广度优先搜索（BFS）算法，为每架无人机规划最短路径。实现中：

• 搜索从 [x, y, z] 到 [dest_x, dest_y, dest_z] 的最短路径。
• 自动避开禁飞区和越界。
• 若找不到可行路径，则无人机原地等待。

代码核心如下：

def bfs_path_planner(env, drone_idx):
    # 获取无人机起点与终点
    x, y, z, dx, dy, dz, _ = env.drones_info[drone_idx]
    start = (int(round(x)), int(round(y)), int(round(z)))
    goal = (int(round(dx)), int(round(dy)), int(round(dz)))

    # 广度优先搜索
    visited = set()
    queue = deque([(start, [start])])
    directions = [(1,0,0), (-1,0,0), (0,1,0), (0,-1,0), (0,0,1), (0,0,-1)]

    while queue:
        current, path = queue.popleft()
        if current in visited:
            continue
        visited.add(current)
        if current == goal:
            return path  # 找到路径

        for dx_, dy_, dz_ in directions:
            nx, ny, nz = current[0] + dx_, current[1] + dy_, current[2] + dz_
            if valid_position(env, nx, ny, nz):  # 检查禁飞区与边界
                queue.append(((nx, ny, nz), path + [(nx, ny, nz)]))

    return []  # 无路径

随机策略

随机策略对尚未到达的无人机，随机选择一个动作；到达目标后停止移动。

4. 数据分析与可视化

仿真完成后，保存以下结果：

• CSV 文件：记录每轮仿真的碰撞次数、禁飞区违规次数、延误和各无人机到达时间。
• 图表：
  • 碰撞次数折线图。
  • 禁飞区违规次数折线图。
  • 延误折线图。
  • 各无人机到达时间散点图。
  • 

代码示例：

def analyze_and_save(policy_name, collisions, nofly, delays, arrivals, csv_file, show_plot=True):
    # 生成折线图和散点图
    plt.figure()
    plt.plot(collisions, marker='o', color='red')
    plt.title(f"Collisions ({policy_name})")
    plt.savefig(f"collisions_{policy_name}.png")

    plt.figure()
    plt.plot(nofly, marker='s', color='blue')
    plt.title(f"No-Fly Violations ({policy_name})")
    plt.savefig(f"nofly_{policy_name}.png")
    ...

三、实验结果与分析

1. 性能对比

2. 可视化结果

碰撞次数

BFS 策略显著减少了碰撞次数。

禁飞区违规

BFS 策略通过规划路径，有效避免了禁飞区违规。

四、总结与展望

1. 总结

• BFS 路径规划在无人机调度和路径规划中表现优异，显著降低了碰撞与违规。
• 随机策略作为对照基准，凸显了智能路径规划的重要性。

2. 未来优化方向

1. 高级搜索算法：使用 A*、Dijkstra 等算法优化路径规划效率。
2. 动态规划：应对多无人机实时动态调度问题。
3. 更多环境因素：模拟真实空域中的复杂天气、任务优先级等。

通过进一步优化，本仿真系统可以作为城市空域管理研究的基础工具。

五、源码获取与运行

完整代码可以直接运行，生成实验结果和可视化图表：

1. 克隆代码或复制到本地文件 uam_simulation.py。