17：无人机远程执行路径规划：A*算法与GPS精准打击

优质文章学习记录

— 15 min read
17：无人机远程执行路径规划：A*算法与GPS精准打击

作者： HOS(安全风信子)
日期： 2026-03-15
主要来源平台： GitHub
摘要： 本文深入探讨了无人机远程执行的路径规划技术，重点分析了A*算法的应用和GPS精准定位的实现。通过详细的技术架构设计和代码实现，展示了如何构建一个高效、可靠的无人机路径规划系统，为基拉执行系统的远程执行提供了技术支持。文中融合了2025年最新的无人机技术进展，确保内容的时效性和专业性。

目录：

1. 背景动机与当前热点

本节核心价值：理解无人机远程执行路径规划的背景和当前技术热点，为后续技术学习奠定基础。

在《死亡笔记》的世界中，基拉需要通过各种手段执行对目标的惩罚。无人机作为一种灵活、高效的执行工具，成为基拉远程执行的理想选择。2025年，随着A*算法的不断优化和GPS技术的精准定位能力提升，无人机远程执行的路径规划技术得到了显著发展。

作为基拉的忠实信徒，我深知执行的准确性和时效性的重要性。只有通过精准的路径规划，无人机才能快速、安全地到达目标位置，确保执行的成功。传统的路径规划算法存在计算效率低、局部最优陷阱等问题，无法满足基拉执行系统的高要求。而A*算法作为一种启发式搜索算法，能够在保证最优路径的同时，提高搜索效率。

当前，无人机路径规划的技术热点主要集中在以下几个方面：A*算法的改进、GPS精准定位、实时避障、动态路径调整等。这些技术的发展，为基拉执行系统的远程执行提供了新的可能性。

2. 核心更新亮点与全新要素

本节核心价值：揭示无人机远程执行路径规划的三大核心创新点，展示技术如何突破传统限制。

2.1 A*算法的优化与改进

2025年，A算法得到了进一步的优化和改进，包括动态权重调整、多目标路径规划、实时避障等功能，提高了算法的适应性和效率。特别是在复杂环境下，改进的A算法能够快速找到最优路径。

2.2 GPS精准定位技术

GPS技术的精准定位能力得到了显著提升，结合差分GPS和实时动态定位（RTK）技术，定位精度达到厘米级，为无人机的精准执行提供了保障。2025年，北斗卫星导航系统的全球覆盖，进一步提高了定位的可靠性和准确性。

2.3 实时路径调整与避障

实时路径调整技术的应用，使得无人机能够在飞行过程中根据环境变化和目标移动，动态调整路径。同时，先进的避障算法，如激光雷达和视觉避障，确保了无人机在复杂环境中的安全飞行。

3. 技术深度拆解与实现分析

本节核心价值：深入剖析无人机远程执行路径规划的技术原理和实现细节，提供详细的代码示例。

3.1 A*算法实现

3.1.1 基本原理

A*算法是一种启发式搜索算法，通过评估函数f(n) = g(n) + h(n)来引导搜索方向，其中g(n)是从起点到当前节点的实际代价，h(n)是从当前节点到目标节点的估计代价。

classNode:def__init__(self, x, y, parent=None): self.x = x self.y = y self.parent = parent self.g =0# 从起点到当前节点的代价 self.h =0# 从当前节点到目标节点的估计代价 self.f =0# 总代价def__eq__(self, other):return self.x == other.x and self.y == other.y def__lt__(self, other):return self.f < other.f
3.1.2 A*算法实现
import heapq defastar(grid, start, end):"""A*算法实现"""# 创建起点和终点节点 start_node = Node(start[0], start[1]) end_node = Node(end[0], end[1])# 开放列表和关闭列表 open_list =[] closed_list =[]# 将起点加入开放列表 heapq.heappush(open_list, start_node)# 定义移动方向 directions =[(0,-1),(0,1),(-1,0),(1,0),(-1,-1),(-1,1),(1,-1),(1,1)]while open_list:# 从开放列表中取出f值最小的节点 current_node = heapq.heappop(open_list)# 将当前节点加入关闭列表 closed_list.append(current_node)# 检查是否到达终点if current_node == end_node: path =[]while current_node: path.append((current_node.x, current_node.y)) current_node = current_node.parent return path[::-1]# 反转路径# 生成子节点for direction in directions:# 计算子节点坐标 new_x = current_node.x + direction[0] new_y = current_node.y + direction[1]# 检查子节点是否在网格内if0<= new_x <len(grid)and0<= new_y <len(grid[0]):# 检查子节点是否是障碍物if grid[new_x][new_y]==0:# 创建子节点 child_node = Node(new_x, new_y, current_node)# 计算g、h、f值 child_node.g = current_node.g +1# 使用曼哈顿距离作为启发函数 child_node.h =abs(child_node.x - end_node.x)+abs(child_node.y - end_node.y) child_node.f = child_node.g + child_node.h # 检查子节点是否在关闭列表中if child_node notin closed_list:# 检查子节点是否在开放列表中 in_open =Falsefor node in open_list:if child_node == node and child_node.g >= node.g: in_open =Truebreakifnot in_open: heapq.heappush(open_list, child_node)returnNone# 没有找到路径

3.2 GPS精准定位实现

3.2.1 GPS模块集成
import serial import pynmea2 classGPSModule:def__init__(self, port="/dev/ttyUSB0", baudrate=9600): self.port = port self.baudrate = baudrate self.ser =Nonedefconnect(self):"""连接GPS模块"""try: self.ser = serial.Serial(self.port, self.baudrate, timeout=1)returnTrueexcept Exception as e:print(f"Failed to connect to GPS module: {e}")returnFalsedefget_position(self):"""获取GPS位置"""ifnot self.ser:returnNonewhileTrue:try: line = self.ser.readline().decode('utf-8', errors='replace').strip()if line.startswith('$GPGGA'): msg = pynmea2.parse(line)if msg.latitude and msg.longitude:return{'latitude': msg.latitude,'longitude': msg.longitude,'altitude': msg.altitude,'timestamp': msg.timestamp }except Exception as e:print(f"Error reading GPS data: {e}")continuedefclose(self):"""关闭连接"""if self.ser: self.ser.close()
3.2.2 差分GPS实现
classDGPSModule:def__init__(self, base_station_ip, base_station_port): self.base_station_ip = base_station_ip self.base_station_port = base_station_port self.client =Nonedefconnect(self):"""连接差分GPS基站"""try:import socket self.client = socket.socket(socket.AF_INET, socket.SOCK_STREAM) self.client.connect((self.base_station_ip, self.base_station_port))returnTrueexcept Exception as e:print(f"Failed to connect to DGPS base station: {e}")returnFalsedefget_correction_data(self):"""获取差分修正数据"""ifnot self.client:returnNonetry: data = self.client.recv(1024)return data except Exception as e:print(f"Error receiving correction data: {e}")returnNonedefclose(self):"""关闭连接"""if self.client: self.client.close()

3.3 无人机路径规划系统

3.3.1 系统架构

监控层

执行层

决策层

感知层

GPS模块

位置融合

激光雷达

障碍物检测

视觉传感器

目标识别

路径规划

路径优化

飞行控制

无人机

状态监控

3.3.2 路径规划实现
classUAVPathPlanner:def__init__(self): self.gps = GPSModule() self.astar = AStarPlanner()defplan_path(self, start, end, obstacles):"""规划路径"""# 创建网格地图 grid = self._create_grid(obstacles)# 使用A*算法规划路径 path = self.astar.plan(grid, start, end)# 路径优化 optimized_path = self._optimize_path(path)return optimized_path def_create_grid(self, obstacles):"""创建网格地图"""# 简化实现，实际应用中需要根据实际环境创建 grid =[[0for _ inrange(100)]for _ inrange(100)]# 添加障碍物for obstacle in obstacles: x, y = obstacle if0<= x <100and0<= y <100: grid[x][y]=1return grid def_optimize_path(self, path):"""优化路径"""# 简化实现，实际应用中需要更复杂的优化算法return path defexecute_mission(self, path):"""执行任务"""for waypoint in path:# 飞到 waypoint self._fly_to(waypoint)# 检查是否到达目标if waypoint == path[-1]:# 执行目标操作 self._execute_target_operation()def_fly_to(self, waypoint):"""飞到指定点"""# 简化实现，实际应用中需要更复杂的飞行控制print(f"Flying to {waypoint}")def_execute_target_operation(self):"""执行目标操作"""# 简化实现，实际应用中需要根据任务类型执行不同操作print("Executing target operation")

3.4 技术实现细节

3.4.1 实时避障
classObstacleAvoidance:def__init__(self, lidar): self.lidar = lidar defdetect_obstacles(self):"""检测障碍物"""# 获取激光雷达数据 data = self.lidar.get_data()# 处理数据，检测障碍物 obstacles =[]for point in data: distance = point['distance'] angle = point['angle']if distance <5.0:# 5米内的障碍物# 计算障碍物坐标 x = distance * math.cos(math.radians(angle)) y = distance * math.sin(math.radians(angle)) obstacles.append((x, y))return obstacles defadjust_path(self, current_path, obstacles):"""调整路径以避开障碍物"""# 简化实现，实际应用中需要更复杂的路径调整算法 new_path = current_path.copy()for obstacle in obstacles:# 检查障碍物是否在路径上for i, waypoint inenumerate(new_path): distance = math.sqrt((waypoint[0]- obstacle[0])**2+(waypoint[1]- obstacle[1])**2)if distance <2.0:# 2米内的障碍物# 调整路径 new_waypoint =(waypoint[0]+3.0, waypoint[1]+3.0)# 简单偏移 new_path[i]= new_waypoint return new_path
3.4.2 动态路径调整
classDynamicPathAdjuster:def__init__(self, planner): self.planner = planner defadjust_path(self, current_path, target_position, obstacles):"""根据目标位置和障碍物动态调整路径"""# 获取当前位置 current_position = self.planner.gps.get_position()ifnot current_position:return current_path # 重新规划路径 start =(current_position['latitude'], current_position['longitude']) end = target_position new_path = self.planner.plan_path(start, end, obstacles)return new_path

4. 与主流方案深度对比

本节核心价值：通过对比分析，展示无人机远程执行路径规划技术的优势和应用价值。

方案路径优化实时性避障能力计算效率适用场景
A*算法高中中中静态环境
RRT算法中高高高动态环境
蚁群算法高低中低复杂环境
粒子群算法中低中低多目标优化
改进A*算法高高高中混合环境

4.1 关键优势分析

  1. 路径优化：A*算法能够找到最优路径，确保无人机以最短路径到达目标。
  2. 实时性：改进的A*算法结合实时避障技术，能够在飞行过程中动态调整路径，适应环境变化。
  3. 避障能力：通过激光雷达和视觉传感器，能够实时检测障碍物并调整路径。
  4. 计算效率：A*算法的启发式搜索策略，提高了搜索效率，减少了计算时间。
  5. 适应性：改进的A*算法能够适应不同的环境和任务需求。

4.2 局限性分析

  1. 环境建模：需要准确的环境模型，否则可能导致路径规划失败。
  2. 计算资源：在复杂环境下，计算量较大，对无人机的计算能力要求较高。
  3. GPS依赖：依赖GPS信号，在信号弱的环境下可能影响定位精度。
  4. 天气影响：恶劣天气可能影响无人机的飞行和传感器的性能。
  5. 法规限制：无人机的飞行受到法规限制，需要遵守相关规定。

5. 工程实践意义、风险、局限性与缓解策略

本节核心价值：分析无人机远程执行路径规划在实际应用中的挑战和解决方案，确保系统的可靠运行。

5.1 工程实践意义

无人机远程执行路径规划系统的构建，为基拉执行系统的远程执行提供了技术支持。通过精准的路径规划和GPS定位，无人机能够快速、安全地到达目标位置，确保执行的成功。

同时，该系统也可以应用于其他领域，如物流配送、应急救援、环境监测等。例如，在应急救援中，无人机可以快速到达灾区，提供救援物资和信息；在环境监测中，无人机可以监测空气质量、森林火灾等。

5.2 风险与局限性

  1. 法律风险：无人机的飞行需要遵守相关法律法规，否则可能面临处罚。例如，2025年《无人机管理条例》对无人机的飞行区域、高度等提出了严格要求。
  2. 技术风险：系统可能受到网络攻击，导致无人机失控或执行错误任务。同时，GPS信号干扰可能影响定位精度。
  3. 安全风险：无人机可能发生故障或碰撞，造成人员伤亡或财产损失。
  4. 局限性：无人机的续航能力有限，无法执行长时间任务。同时，恶劣天气可能影响无人机的飞行。

5.3 缓解策略

  1. 法律合规：在系统设计和实现过程中，严格遵守相关法律法规，确保无人机的飞行符合法律规定。同时，申请必要的飞行许可。
  2. 技术保障：采用加密技术保护通信链路，防止网络攻击。同时，使用多传感器融合定位，减少对GPS的依赖。
  3. 安全保障：建立无人机的故障检测和自动返航机制，确保在故障情况下能够安全返回。同时，安装避障系统，减少碰撞风险。
  4. 系统优化：通过电池技术的改进和轻量化设计，提高无人机的续航能力。同时，建立天气监测系统，避免在恶劣天气条件下飞行。

6. 未来趋势与前瞻预测

本节核心价值：展望无人机远程执行路径规划的未来发展方向，预测技术演进路径。

6.1 技术演进趋势

  1. AI技术的应用：人工智能技术的应用，使得无人机能够自主学习和适应环境，提高路径规划的效率和准确性。
  2. 5G网络的支持：5G网络的高带宽、低延迟特性，将为无人机的远程控制和数据传输提供更好的支持。
  3. 多机协同：多无人机协同执行任务，提高执行效率和成功率。
  4. 自主决策能力：无人机的自主决策能力将得到显著提升，能够在复杂环境下做出智能决策。
  5. 能源技术的突破：新型电池技术和太阳能技术的应用，将提高无人机的续航能力。

6.2 应用前景

  1. 军事应用：在军事领域，无人机可以执行侦察、打击等任务，减少人员伤亡。
  2. 民用领域：在民用领域，无人机可以应用于物流配送、应急救援、环境监测等。
  3. 商业应用：在商业领域，无人机可以用于广告投放、影视拍摄等。
  4. 科研应用：在科研领域，无人机可以用于气象观测、地质勘探等。
  5. 基拉执行系统：作为基拉执行系统的重要组成部分，为远程执行提供技术支持。

6.3 开放问题

  1. 如何提高自主决策能力：如何提高无人机在复杂环境下的自主决策能力？
  2. 如何增强安全性：如何增强无人机的安全性，防止被攻击或滥用？
  3. 如何提高续航能力：如何提高无人机的续航能力，满足长时间任务的需求？
  4. 如何实现多机协同：如何实现多无人机的协同执行，提高执行效率？
  5. 如何应对法规挑战：如何应对不断变化的无人机法规，确保合法飞行？

参考链接：

附录（Appendix）：

环境配置

  • 软件要求：
    • Python 3.8+
    • NumPy 1.20+
    • pynmea2 1.18+
    • serial 3.5+
    • math 内置库

硬件要求

  • 无人机：
    • 飞行控制器：Pixhawk 4+
    • GPS模块：ublox M8N+
    • 激光雷达：RPLIDAR A3+
    • 视觉传感器：Raspberry Pi Camera v2+

常见问题与解决方案

  1. GPS信号弱：
    • 解决方案：使用差分GPS，增加GPS天线增益，避开信号遮挡区域。
  2. 路径规划失败：
    • 解决方案：优化环境建模，调整A*算法参数，增加路径规划的容错能力。
  3. 避障失效：
    • 解决方案：使用多传感器融合，提高障碍物检测的准确性，增加避障算法的鲁棒性。
  4. 电池续航不足：
    • 解决方案：使用高容量电池，优化飞行路径，减少不必要的飞行时间。

关键词： 死亡笔记，无人机，路径规划，A*算法，GPS，精准打击，基拉，远程执行

在这里插入图片描述

Read more

Ubuntu/Debian VPS 上 Apache Web 服务器的完整配置教程

Apache 是互联网上最流行的 Web 服务器之一，用于托管超过半数活跃网站。尽管市面上存在许多可用的 Web 服务器，但由于 Apache 的普遍性，了解其工作原理仍然具有重要意义。 本文将分享 Apache 的通用配置文件及其可配置选项。文中将以 Ubuntu/Debian 系统的 Apache 文件布局为例进行说明，这种布局方式与其他 Linux 发行版的配置层级结构有所不同。 版本兼容性 说明 ：本教程已在 Ubuntu 22.04 LTS、Ubuntu 24.04 LTS、Ubuntu 25.04 以及 Debian 11、Debian 12 系统上通过验证测试。所有展示的命令和配置均兼容上述版本，且 Apache 配置结构与命令（如 a2ensite、
前端存储三剑客：localStorage、sessionStorage、cookie 超详细对比

前端存储三剑客：localStorage、sessionStorage、cookie 超详细对比

在前端开发中，数据本地存储是提升用户体验、优化性能、实现持久化状态的核心技术。我们最常用的就是 localStorage、sessionStorage 和 cookie 这三种方案，但很多开发者容易混淆它们的用法、存储特性和适用场景。 这篇博客就用最清晰、最实用的方式，一次性讲透三者的区别、用法和最佳实践。 一、先搞懂核心概念 * cookie：最早的客户端存储方案，会随 HTTP 请求自动发送到服务器，主要用于身份验证、会话保持。 * localStorage：HTML5 新增的本地存储，持久化存储，手动清除才会消失，不参与网络请求。 * sessionStorage：HTML5 新增的会话存储，页面会话期间有效，关闭标签页 / 浏览器就清空。 二、核心区别一张表看懂 表格 特性localStoragesessionStoragecookie生命周期永久有效，手动清除仅当前会话（关闭标签 / 浏览器失效）可设置过期时间，默认会话级存储容量约 5MB约 5MB很小，仅 4KB与服务端通信不参与不参与自动携带在

我用 Vibe Code 做出了漂亮的 Web 应用，但 AI 依然无法为 Google Search 自动生成一个简单的 Sitemap

我用 Vibe Code 做出了漂亮的 Web 应用，但 AI 依然无法为 Google Search 自动生成一个简单的 Sitemap 在最近一段时间里，我看到很多开发者和创业者开始用 AI 工具做网站、Web 应用这些东西，比如所谓的 vibe coding 平台：快速生成页面、美观的前端、自动部署等等。乍一看体验很棒，但当你开始关注 SEO 和搜索引擎索引时，这一切就变得很不那么简单了。 我自己做过很多网站的 SEO，这本应该是个“十分钟搞定”的事儿 —— “生成 sitemap.xml，提交到 Google Search Console，搞定。” 但是在实际操作中，问题远比想象复杂。 项目背景 我做的第一个项目是一个在线餐厅目录：收集了所有提供食物过敏菜单的餐厅信息，供过敏患者快速查询。

Qwen3-1.7B支持流式响应？实战验证与前端集成教程

Qwen3-1.7B支持流式响应？实战验证与前端集成教程 最近在折腾大模型应用开发，特别是想给前端加个实时聊天的效果，就一直在找支持流式输出的轻量级模型。Qwen3系列开源后，我第一时间注意到了1.7B这个版本——参数小，部署快，但官方文档里关于流式响应的说明不太详细。 所以，我决定自己动手验证一下：Qwen3-1.7B到底支不支持流式响应？如果支持，怎么在前端项目里用起来？这篇文章就是我的实战记录，从环境搭建、接口测试到前端集成，一步步带你走通整个流程。 1. 环境准备与快速启动 要在本地或者云端快速体验Qwen3-1.7B，最省事的方法就是直接用现成的Docker镜像。这里我以ZEEKLOG星图平台的镜像为例，带你快速启动一个可用的环境。 1.1 启动Jupyter Notebook环境 1. 找到Qwen3-1.7B的镜像并启动。平台通常会提供一个预装好所有依赖的容器。 2. 容器启动后，直接打开提供的Jupyter Notebook链接。你会看到一个熟悉的网页界面，里面已经配置好了Python环境和必要的库。 这样，我们就不用操心安装PyTorch、Tran