编辑推荐：
针对现有路径规划算法忽视环境数据、函数结构简化的问题，研究人员开展基于强化遗传规划（RGP）的 Genetic Informed Trees（GIT*）算法研究。该算法整合障碍物斥力等环境数据优化启发式函数，实验表明其在 R?到 R1?空间及真实任务中优于现有算法，提升了效率与解质量。
在机器人自动化领域，路径规划作为核心挑战，现有算法如 A*、RRT 等在高维空间或复杂环境中面临效率低、易陷局部最优等问题。传统方法常忽略环境数据或简化启发式函数结构，导致搜索方向引导不足。为突破这些瓶颈，研究人员致力于开发更高效的路径规划算法，以提升复杂场景下的机器人导航能力。
来自未知研究机构的学者开展了遗传信息树（GIT*）算法的研究。该研究在《Biomimetic Intelligence and Robotics》发表，提出通过强化遗传规划（Reinforced Genetic Programming, RGP）优化启发式函数，整合障碍物斥力、顶点动态重要性等多维环境数据，构建更精准的搜索引导机制。实验表明，GIT * 在 R?到 R1?维度空间及真实移动操作任务中，较现有单查询采样算法显著提升路径规划效率与解质量，为高维复杂环境下的机器人路径规划提供了新方案。
研究主要采用以下关键技术方法：
- 强化遗传规划（RGP）：结合遗传编程与奖励反馈，生成并进化基因型启发式函数（G-heuristic），通过适应度函数评估个体性能，实现启发式函数的自适应优化。
- 人工势场（Artificial Potential Field, APF）：利用障碍物采样点生成斥力场，目标点生成引力场，动态调整搜索方向，避免碰撞并引导向目标。
- 动态重要性追踪：记录样本点访问频率，识别关键路径节点，优化搜索优先级，提升探索效率。
- 双向搜索与树结构优化：结合正向与反向搜索树，通过截断和膨胀因子平衡探索与利用，加速收敛。
研究结果
6.1 仿真实验任务
在 “分隔墙”“随机矩形”“目标围合” 等场景中，GIT * 在 R?和 R?空间表现显著：
- 初始解时间：如在 R?分隔墙场景中，GIT初始中值时间为 0.0201 秒，优于 EIT的 0.0252 秒和 AIT * 的 0.1299 秒。
- 解成本与成功率：随机矩形任务中，GIT * 中值路径成本最低，成功率最高，尤其在高维空间优势更明显，表明其对复杂环境的适应性。
6.2 真实世界路径规划任务
在啤酒桶杯放置、工业货架容器重排、厨房模型锅具操作等任务中：
- 啤酒桶任务：GIT成功率 100%，中值解成本 13.8972，优于 EIT（96.67%，15.1332）和 AIT*（93.33%，19.2183）。
- 工业货架任务：在狭窄空间中，GIT成功率 86.67%，解成本 15.9745，较 EIT和 AIT * 分别提升 13.04%、52.94% 成功率。
- 厨房任务：复杂环境下 GIT * 成功率 30%，解成本 15.8860，仍为最优表现，凸显其在受限空间的规划能力。
6.3 讨论与消融研究
消融实验显示，人工势场（APF）在含狭窄通道的场景中显著提升性能，验证其对障碍物规避的关键作用。GIT * 通过 RGP 整合多源数据生成的 G-heuristic，在高低维场景均展现优势，但目前对动态环境适应性有限，未来可结合神经网络提升泛化能力。
结论与意义
GIT * 通过强化遗传规划与环境数据整合，革新了路径规划的启发式函数设计，突破传统算法对环境信息利用不足的局限。其在多维度仿真与真实任务中的高效表现，为机器人在复杂、高维空间的自主导航提供了先进解决方案，尤其在工业自动化、服务机器人等领域具重要应用潜力。研究不仅提升了路径规划的理论效率，也为智能机器人技术的实际落地奠定了基础，未来可进一步拓展至动态环境与多机器人协同场景。
