Unmanned aerial vehicles are becoming more popular in today’s society, which results in the rise of laws intended to maintain safety. To abide by these, while allowing the technology to expand, functioning path-planning algorithms are required.This also includes having methods for detecting and managing obstacles. This project aims to improve an existing path-planning algorithm that is based on A* and implemented in Python.The solution consisted of using functions for finding polytopeintersection,as well as optimizing the collision avoidance and the search algorithm. In addition to that, realistic constraints were implemented on the generated trajectory in order to reflect real-life limitations. The results demonstrated that the paths were always feasible, with respect to input and position constraints. The program’s computation time was also reduced up to 89% of the original run-time. There is, however, still room for improvement since the original code generated a shorter path for the three scenarios it was created for. On the other hand,the improved algorithm could handle a new scenario, which the original code failed to do.

Obemannade flygfarkoster blir alltmer vanliga i dagens samhälle, vilket resulterar i uppkomsten av nya lagar ämnade åt att upprätthålla säkerhet. För att förhålla sig till dessa, samtidigt som teknologin tillåts expandera, krävs fungerande vägplaneringsalgoritmer. Där ingår det även att ha metoder för att upptäcka och hantera hinder. Detta projekt syftar till att förbättra en befintlig vägplaneringsalgoritm som är baserad på A* och implenterad i Python. Lösningsmetoden bestod av att använda inbyggda Python-funktioner ämnade åt att finna skärningar mellan polytoper, samt optimera kollisionshantering och sökalgoritmen. Dessutom infördes realistiska krav på den framställda vägen i syfte om att reflektera verlighetens begränsningar. Resultatet visade att vägarna alltid var genomförbara, med avseende på inmatningsoch positionsrelaterade villkor. Programmets beräkningstid hade även reducerats upptill 89% av den ursprungliga körtiden. Det finns dock utrymme för förbättringar då den ursprungliga koden generar en kortare väg för de tre scenarion den tillverkades för. Däremot kinde den förbättrade algoritmen hantera ett nytt scenario, en ursprungliga koden misslyckades med.