图1 A*算法航路规划示意图
该图展示基于栅格地图的A*启发式搜索航路规划结果。整个飞行空间被划分为规则栅格单元，障碍栅格与可行栅格明确区分。A*算法综合考量实际移动代价与预估启发代价，优先向终点方向搜索，大幅缩减无效搜索范围。规划出的路径全局最优，路线简洁、避障效果良好，适用于室内、园区等静态已知环境的无人机航路规划。


图2 Dijkstra算法航路规划示意图
图示为Dijkstra单源最短路径算法的航路规划可视化。算法属于广度优先搜索，无启发项引导，以起点为原点向外逐层扩张搜索域（图中浅色调区域为已遍历空间），直至抵达终点。该算法可保证路径全局最短，鲁棒性强，但因全域搜索特性，计算量更大、耗时更长，一般用于对实时性要求不高的场景。

图3 RRT（快速扩展随机树）算法航路规划示意图
该图呈现RRT随机采样类算法的工作原理与规划轨迹。算法无需对环境进行栅格划分，在连续飞行空间内随机采样并生长树节点，大量零散分支为无效采样路径，主干连线为最终规划航路。算法计算速度快、避障能力强，擅长处理复杂不规则障碍物与动态飞行场景，缺点是路径不保证全局最优。

图4 人工势场法(APF)航路规划示意图
图示为人工势场法的力场分布与飞行轨迹。算法将飞行环境虚拟为物理力场：目标点产生引力牵引无人机前进，障碍物产生斥力阻止无人机靠近。无人机在合力驱动下形成连续平滑的曲线路径，运动轨迹贴合无人机飞行特性。该算法实时性优异，适合近距离动态避障，存在局部极小值导致停滞的固有缺陷。