无人机面临的核心挑战在于路径规划与动态避障。近年来涌现的多种路径规划算法虽成功解决部分问题，但仍存在诸多局限。本文针对A*、RRT与粒子群优化（PSO）三种主流算法，在障碍物密集的三维城市环境中开展系统性实验。通过设计三组实验（每组含两种场景），综合考量城市地图规模、飞行高度、障碍物密度与尺寸等变量。实验结果表明：A算法在计算效率与路径质量方面表现最优；PSO在急转弯与高密度环境展现优势；RRT*凭借随机搜索特性，在各类实验中保持均衡性能。

形态各异的无人机已广泛应用于军事[2]、航拍、搜救[3]与农业[1]等领域。路径规划作为实现地形导航、任务执行与目标抵达的核心技术，近年来成为研究重点。路径规划可分为两大范式：静态环境规划与动态环境规划。前者适用于障碍物位置固定的场景（如建筑物、桥梁、交通灯），需在任务前完成路径计算；后者应对移动障碍物（如车辆、鸟类、行人），依赖机载实时路径计算模块实现动态适应。算法选择取决于具体任务需求。

路径规划算法主要分为四类：第一类为基于图搜索的算法（如A*[5]、Dijkstra[4]、D*[6]、跳点搜索JPS[7]），将环境建模为图结构，节点代表位置/状态，边代表可行转移路径。第二类为基于采样的方法，包括概率路线图PRM[8]与快速扩展随机树RRT[9]，通过随机采样构建路径。第三类为人工势场法[10]，通过引力与斥力场引导无人机趋近目标。第四类为仿生优化算法（如蚁群ACO[11]、粒子群PSO[12]、灰狼GWO[13]），模拟生物行为并依赖预设成本函数寻优。各类方法虽具优势，但均存在局限：图搜索法在三维大场景中计算成本高[14]；仿生算法需参数调优且迭代次数多[15]；势场法易陷局部最优[16]；采样法则生成离散航点而非连续轨迹[17]。本文聚焦RRT*[18]、A*与PSO三种经典算法，针对城市三维环境设计六种实验场景（涵盖环境规模、障碍物形态密度、起降高度差异等变量），系统比较其性能差异。

论文结构如下：第二节综述相关对比研究；第三节概述A*、RRT*与PSO算法原理；第五节详述仿真实验与结果分析；第六节总结研究结论。