基于视觉AI与三维网格计算的低空动态导航方法

doi:10.11772/j.issn.1001-9081.2025070852

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (8): 2620-2629.DOI: 10.11772/j.issn.1001-9081.2025070852

• 多媒体计算与计算机仿真 • 上一篇

基于视觉AI与三维网格计算的低空动态导航方法

何胜文¹^,²(), 张淑军³, 刘羿漩², 李辉³, 刘宇丰²

^1.中科星图股份有限公司立体交通事业部，北京 101300
^2.中科星图智慧科技有限公司立体交通事业部，山东青岛 266000
^3.青岛科技大学数据科学学院，山东青岛 266061

收稿日期:2025-07-29 修回日期:2025-10-29 接受日期:2025-10-29 发布日期:2025-12-22 出版日期:2026-08-10
通讯作者: 何胜文
作者简介:张淑军（1980—），女，山东泰安人，副教授，博士，主要研究方向：计算机视觉
刘羿漩（1998—），女，黑龙江青冈人，工程师，硕士，主要研究方向：图像处理、模式识别
李辉（1984—），男，河南平顶山人，副教授，博士，主要研究方向：计算机视觉、3D视觉、多模态目标检测及跟踪
刘宇丰（1999—），男，黑龙江宁安人，硕士，主要研究方向：计算机视觉、3D视觉。
基金资助:
国家重点研发计划项目(2021YFB3901105);山东省自然科学基金面上项目(ZR2024MF023);山东省工程研究中心开放课题(KJ20240388)

Low-altitude dynamic navigation method based on visual AI and 3D grid computing

Shengwen HE¹^,²(), Shujun ZHANG³, Yixuan LIU², Hui LI³, Yufeng LIU²

^1.3D Transportation Business Department，Geovis Technology Company Limited，Beijing 101300，China
^2.3D Transportation Business Department，Geovis Wisdom Technology Company Limited，Qingdao Shandong 266000，China
^3.School of Data Science，Qingdao University of Science and Technology，Qingdao Shandong 266061，China

Received:2025-07-29 Revised:2025-10-29 Accepted:2025-10-29 Online:2025-12-22 Published:2026-08-10
Contact: Shengwen HE
About author:ZHANG Shujun， born in 1980， Ph. D.， associate professor. Her research interests include computer vision.
LIU Yixuan， born in 1998， M. S.， engineer. Her research interests include image processing， pattern recognition.
LI Hui， born in 1984， Ph. D.， associate professor. His research interests include computer vision， 3D vision， multimodal object detection and tracking.
LIU Yufeng， born in 1999， M. S. His research interests include computer vision， 3D vision.
Supported by:
National Key Research and Development Program of China(2021YFB3901105);General Program of Shandong Provincial Natural Science Foundation(ZR2024MF023);Open Project of Shandong Provincial Engineering Research Center(KJ20240388)

摘要/Abstract

摘要：

针对无人机（UAV）导航中三维航图更新慢、动态避障能力差和全局感知缺乏等问题，提出一种基于视觉人工智能（AI）与三维网格计算的低空动态导航方法。该方法构建立体三维空域网格表意体系，利用网格索引高效表示空间信息关联，结合机载视觉AI模型实时感知环境语义信息，并通过语义特征嵌入算法将感知结果实时映射至三维空域网格，以支持UAV自主避障飞行。在同一子级空域对应的局部网格内，构建自组织通信网络，实时共享UAV位置、速度和高度等状态，以形成低空动态信息池，使UAV能够在类似起降区等高密度区域精准掌握邻机状态。同时，采用递归来剖分立体网格，并且层级搜索路径通过局部网格交互协商协议实现过载网格的智能分流。以50 km²城市低空场景为实验对象，设简单、中等和复杂三类场景，对比所提方法与全球导航卫星系统（GNSS）纯定位导航和单目视觉特征点导航。结果显示：在三类场景中，所提方法的平均避障有效率分别为96.7%±1.2%、95.3%±1.1%和93.8%±1.5%，较GNSS纯定位导航分别提升了10.5、10.8和11.7个百分点，较单目视觉特征点导航分别提升26.9、27.8和28.6个百分点。可见，所提方法能有效解决UAV导航的核心痛点，并显著提升复杂低空环境下的导航效率与安全性。

关键词: 网格智能体, 视觉人工智能, 低空路线规划, 无人机导航, 自动避障

Abstract:

Aiming at problems of slow update of 3D aeronautical chart， poor dynamic obstacle avoidance ability and lack of global perception in Unmanned Aerial Vehicle （UAV） navigation， a low-altitude dynamic navigation method based on visual Artificial Intelligence （AI） and 3D grid computing was proposed. In the method， the 3D spatial grid representation system was constructed， grid index was used to represent spatial information associations efficiently， combined with the airborne visual AI model， the environmental semantic information was perceived in real time， and the perceptual results were mapped into the 3D spatial grid in real time through the semantic feature embedding algorithm， so as to support the autonomous obstacle avoidance flight of UAVs. In local grid corresponding to the same sub-level airspace， a self-organizing communication network was constructed to share position， speed， height and other states of UAV in real time， thereby forming a low-altitude dynamic information pool， so that UAVs were able to grasp the neighboring UAV states in high-density areas such as take-off and landing areas accurately. At the same time， the 3D grid was subdivided recursively， and hierarchical search path was used to achieve overload grid intelligent flow distribution through the local grid interactive negotiation protocol. Taking the low-altitude scene of 50 square kilometers of city as the experimental object， three kinds of scenes， simple， medium and complex， were set up to compare the proposed method with Global Navigation Satellite System （GNSS） pure positioning navigation and monocular visual feature point navigation. The results show that in the three scenarios， the average obstacle avoidance efficiency of the proposed method is 96.7%±1.2%， 95.3%±1.1% and 93.8%±1.5%， respectively， which is 10.5， 10.8 and 11.7 percentage points higher than that of GNSS pure positioning navigation， and 26.9， 27.8 and 28.6 percentage points higher than that of monocular visual feature point navigation. It can be seen that the proposed method can solve the core pain points of UAV navigation effectively， and improve navigation efficiency and safety in complex low-altitude environment significantly.

Key words: grid agent, visual Artificial Intelligence (AI), low-altitude route planning, Unmanned Aerial Vehicle （UAV) navigation, automatic obstacle avoidance

中图分类号:

TP274

何胜文, 张淑军, 刘羿漩, 李辉, 刘宇丰. 基于视觉AI与三维网格计算的低空动态导航方法[J]. 计算机应用, 2026, 46(8): 2620-2629.

Shengwen HE, Shujun ZHANG, Yixuan LIU, Hui LI, Yufeng LIU. Low-altitude dynamic navigation method based on visual AI and 3D grid computing[J]. Journal of Computer Applications, 2026, 46(8): 2620-2629.

图/表 15

图1 空域信息共享池中的部分信息

Fig. 1 Part of information in airspace information sharing pool

图2 基于视觉AI与三维网格计算的低空动态导航的架构

Fig. 2 Architecture of low-altitude dynamic navigation based on visual AI and 3D grid computing

图3 低空动态导航方法模型

Fig. 3 Low-altitude dynamic navigation method model

图4 模型的总体结构

Fig. 4 Overall structure of model

图5 模型连续5帧输入及预测结果

Fig. 5 Five consecutive frames of input and prediction results of model

图6 模型部分类别的粗预测结果

Fig. 6 Rough prediction results of some categories of model

图7 三维网格划分编码

Fig. 7 Coding of 3D mesh division

图8 立体网格的LNP流程

Fig. 8 Flow of LNP in 3D grid

表1 权重选取对比实验结果

Tab. 1 Weight selection contrast experimental results

场景	组别	分流成功率/%	平均协商延迟/ms	网格冲突率/%
简单场景	组1	89.2	42.5	8.7
	组2	98.5	31.2	2.1
	组3	92.6	35.8	5.3
	组4	86.3	40.1	9.5
	组5	78.9	45.7	12.3
中等场景	组1	82.5	51.3	11.2
	组2	96.8	38.7	3.5
	组3	88.4	43.9	7.8
	组4	79.6	48.5	13.6
	组5	71.2	54.3	16.8
复杂场景	组1	75.8	63.7	15.6
	组2	94.2	45.3	5.8
	组3	83.1	52.6	10.2
	组4	72.5	59.8	18.9
	组5	65.3	68.5	22.4

图9 “空域容器网格局部协商-层级推荐”碰撞搜索策略

Fig. 9 “Airspace container grid local negotiation-hierarchical recommendation” collision search strategy

图10 仿真场景下3种导航方式的避障有效率对比

Fig. 10 Obstacle avoidance efficiency comparison of three navigation methods in simulation scenarios

表2 基于视觉AI与三维网格计算的低空动态导航方法消融实验结果（10次平均值+标准差） (%)

Tab. 2 Ablation experimental results of low-altitude dynamic navigation method based on visual AI and three-dimensional grid computing （10 mean + standard deviation）

实验方案	避障有效率	动态目标识别率	航线路径长度	网格冲突比例
本文方案	96.70±0.52	99.10±0.21	0.00±0.00（基准）	4.20±0.38
消融视觉AI（感知）	87.90±0.85	38.00±1.96	3.20±0.35	5.10±0.49
消融立体网格（协同）	90.10±0.76	99.10±0.25	5.70±0.48	35.80±1.52
消融局部通信-搜索（消解）	95.40±0.68	99.00±0.31	13.50±0.72	12.60±0.89

表3 邻域网格索引分流实验对比结果

Tab. 3 Comparison results of neighborhood grid index diversion experiment

区域类型	实验分组	是否有邻域索引	分流请求响应时间/ms	最优区域推荐准确率/%	分流后冲突率/%
高密度起降区	实验组（LNP）	是	102.0±6.1	91.5±3.2	3.8±0.8
	对照组1（随机）	否	82.3±5.2	32.1±6.3	8.2±1.1
	对照组2（无分流）	否	—	—	18.7±2.0
中密度巡航区	实验组（LNP）	是	98.0±5.5	92.1±2.9	2.1±0.6
	对照组1（随机）	否	80.5±4.8	30.8±5.9	5.5±0.9
	对照组2（无分流）	否	—	—	13.2±1.5
低密度郊区	实验组（LNP）	是	95.0±4.9	90.3±3.5	1.0±0.3
	对照组1（随机）	否	79.2±4.5	28.5±6.2	2.5±0.4
	对照组2（无分流）	否	—	—	5.8±0.2

图11 视觉AI与三维网格低空导航方法的大规模航线规划

Fig. 11 Large-scale route planning of visual AI and 3D grid based low-altitude navigation method

图12 单一网格空域（50 m×50 m）中不同架次UAV飞入的冲突风险指数

Fig. 12 Conflict risk index of different UAV flying in single grid airspace （50 m×50 m）

参考文献 19

[1]	Wang W， Jiang Y， Fei Z， et al. Coverage performance of the multilayer UAV-terrestrial HetNet with CoMP transmission scheme［J］. Frontiers of Information Technology and Electronic Engineering， 2022， 23（1）： 61-73.
[2]	赵良瑾，仝昊楠，苑子杨，等. 无人机集群的干扰管理：机理、技术与挑战［J］. 航空学报， 2025， 46（23）： 25-49.
	Zhao Liangjin， Tong Haonan， Yuan Ziyang， et al. Interference management for UAV swarms： fundamental mechanisms， techniques， and challenges［J］. Acta Aeronautica et Astronautica Sinica， 2025， 46（23）： 25-49.
[3]	刘殿春，李彩玲. 军用无人机动力特征和关键要求分析［J］. 航空发动机， 2025， 51（4）： 35-42.
	Liu Dianchun， Li Cailing. Analysis of characteristics and key requirements of propulsion systems for military unmanned aerial vehicles［J］. Aeroengine， 2025， 51（4）： 35-42.
[4]	范厚明，卞子木，范昊，等. 地形限制下车辆-无人机协同配送路径问题［J/OL］. 控制理论与应用［2025-07-21］..
	Fan Houming， Bian Zimu， Fan Hao， et al. Vehicle-drone cooperative delivery routing problem under terrain restrictions［J/OL］. Control Theory and Applications ［2025-07-21］..
[5]	李俊志，龙腾，孙景亮，等. 城市环境下固定翼无人机微分平坦时空分层轨迹规划［J］. 航空学报， 2025， 46（11）： No.531369.
	Li Junzhi， Long Teng， Sun Jingliang， et al. Differential flatness-based spatial-temporal hierarchical trajectory planning for fixed-wing UAVs in urban environments［J］. Acta Aeronautica et Astronautica Sinica， 2025， 46（11）： No.531369.
[6]	徐淑玲，笪鹏飞，陈浩东，等. 基于需求可拆分和区域限制的卡车-多无人机协同取送路径优化研究［J］. 系统科学与数学， 2025， 45（11）： 3462-3479.
	Xu Shuling， Pengfei Da， Chen Haodong， et al. Research on collaborative truck-multi-drone pickup and delivery route optimization based on demand splitting and regional constraints［J］. Journal of Systems Science and Mathematical Sciences， 2025， 45（11）： 3462-3479.
[7]	肖海林，马仁煜，张中山，等. 面向复杂城市环境的无人机动态航迹规划算法［J］. 计算机应用研究， 2025， 42（12）： 3668-3674.
	Xiao Hailin， Ma Renyu， Zhang Zhongshan， et al. Dynamic path planning algorithm for UAV in complex urban environment［J］. Application Research of Computers， 2025， 42（12）： 3668-3674.
[8]	Schøler F， la Cour-Harbo A， Bisgaard M. Generating approximative minimum length paths in 3D for UAVs［C］// 2012 IEEE Intelligent Symposium. Piscataway： IEEE， 2012： 229-233.
[9]	李怀建，王涛，杜小菁，等. 多无人机集群协同导航算法研究现状分析［J］. 战术导弹技术， 2024（6）： 118-126.
	Li Huaijian， Wang Tao， Du Xiaojing， et al. Analysis of collaborative navigation algorithms for multi-UAV swarm［J］. Tactical Missile Technology， 2024（6）： 118-126.
[10]	周超，黄韬，李鑫，等. 基于STK的城市场景下无人机航路导航性能仿真分析［J］. 现代电子技术， 2025， 48（14）： 103-107.
	Zhou Chao， Huang Tao， Li Xin， et al. STK-based simulation analysis of UAV airway navigation performance in urban scenarios［J］. Modern Electronics Technique， 2025， 48（14）： 103-107.
[11]	李亚飞，杨鑫梅，何珏，等. 融合风力和安全因素的城市物流无人机路径优化研究［J］. 飞行力学， 2025， 43（6）： 89-94.
	Li Yafei， Yang Xinmei， He Jue， et al. Optimization study of urban logistics UAV paths incorporating wind and safety factors［J］. Flight Dynamics， 2025， 43（6）： 89-94.
[12]	赵召娜，李丽燕，张云霞，等. 面向巡检任务的无人机三维航迹自适应规划算法［J］. 广西科学， 2024， 31（5）： 1025-1037.
	Zhao Zhaona， Li Liyan， Zhang Yunxia， et al. An adaptive planning algorithm for 3D flight track of unmanned aerial vehicle in patrol tasks［J］. Guangxi Sciences， 2024， 31（5）： 1025-1037.
[13]	Li Y， Wei Z， Su J， et al. A multi-agent collaboration scheme for energy-efficient task scheduling in a 3D UAV-MEC space［J］. Frontiers of Information Technology and Electronic Engineering， 2024， 25（6）： 824-839.
[14]	Yuan Y， Deng Y， Luo S， et al. Distributed game strategy for unmanned aerial vehicle formation with external disturbances and obstacles［J］. Frontiers of Information Technology and Electronic Engineering， 2022， 23（7）： 1020-1031.
[15]	周晓天，杨潇辉，张海霞，等. 无人机辅助边缘计算网络的任务卸载与资源分配联合优化［J］. 电子与信息学报， 2024， 46（12）： 4399-4408.
	Zhou Xiaotian， Yang Xiaohui， Zhang Haixia， et al. Joint optimization of task offloading and resource allocation for unmanned aerial vehicle-assisted edge computing network［J］. Journal of Electronics and Information Technology， 2024， 46（12）： 4399-4408.
[16]	刘罡，李小雨，吴烨，等. 基于跨模态协同感知的双流融合动作识别模型［J］. 电子测量技术， 2025， 48（21）： 87-97.
	Liu Gang， Li Xiaoyu， Wu Ye， et al. Dual-stream fusion action recognition model based on cross-modal co-sensing［J］. Electronic Measurement Technology， 2025， 48（21）： 87-97.
[17]	刘超凡. 基于三维网格-TPR树的混合索引研究［D］. 秦皇岛：燕山大学， 2023.
	Liu Chaofan. Research on hybrid index based on 3D grid-TPR tree［D］. Qinhuangdao： Yanshan University， 2023.
[18]	杨佳. 面向安全分析的代码语义张量建模研究［D］. 武汉：华中科技大学， 2021.
	Yang Jia. Research on code semantic tensor modeling for security analysis［D］. Wuhan： Huazhong University of Science and Technology， 2021.
[19]	沙潇，王建文，丁建川，等. 融合层级知识图谱嵌入与注意力机制的推荐方法［J］. 计算机科学与探索， 2025， 19（6）： 1508-1521.
	Sha Xiao， Wang Jiamwen， Ding Jianchuan， et al. Hierarchical knowledge graph embedding and self-attention mechanism for recommendation［J］. Journal of Frontiers of Computer Science and Technology， 2025， 19（6）： 1508-1521.

基于视觉AI与三维网格计算的低空动态导航方法

Low-altitude dynamic navigation method based on visual AI and 3D grid computing

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 15

参考文献 19

相关文章 1

编辑推荐

Metrics