深度学习与A*算法融合提升丢失γ源追踪精度的自适应路径规划研究

为解决核事故中丢失γ源（gamma source）快速定位难题，研究人员开发了结合卷积神经网络（CNN）、循环神经网络（RNN）与A*算法的ACR混合模型。该算法通过蒙特卡洛（MCNP）模拟数据训练，在含障碍物环境中实现94%以上定位准确率，平均步数较梯度搜索（GS）降低50%，显著提升核应急响应效率。

　　

在核工业与医疗领域，γ放射源因其高穿透性被广泛应用，但一旦丢失，其辐射可能引发DNA突变、癌症等严重后果。传统人工搜索效率低下，而现有机器人追踪方案如梯度搜索（GS）在复杂障碍环境中失败率高达44%，且深度学习模型需针对不同环境重新训练数十万次数据，耗时耗力。如何实现跨场景自适应的γ源快速定位，成为核安全领域的重大挑战。

针对这一难题，研究人员开发了名为ACR（A-star CNN-RNN）的创新算法。该研究通过蒙特卡洛N粒子（MCNP）代码模拟81个网格中γ源剂量率分布，构建9×9输入矩阵训练深度学习模型。其中CNN负责空间特征提取，RNN处理时序数据，二者协同预测辐射源位置；A*算法则基于启发式搜索规划最优避障路径。测试表明，在无障碍房间中ACR平均步数仅为GS的1/2；面对8米长单墙障碍时，其失败率从GS的44%降至5%以下；在L型双墙复杂场景中仍保持94%准确率，且无需重新训练模型。

关键技术方法
研究采用MCNP模拟γ源在5步间隔（每步50cm）的剂量率分布作为输入数据，构建包含ANN、CNN、RNN三类模型的深度学习框架，激活函数选用relu、sigmoid和softplus。通过四邻域搜索A*算法进行路径规划，最终在三种典型障碍场景（单墙/平行墙/L型墙）中验证ACR算法的泛化能力。

研究结果

1. 深度学习算法优化：CNN-RNN组合模型在测试集上表现最优，其定位精度显著高于单一ANN模型，验证了时空特征联合提取的有效性。
2. A*算法路径规划：结合剂量率梯度信息，A*算法成功规避各类障碍物，在L型墙房间中路径寻优效率提升2倍。
3. 跨场景适应性验证：使用单一训练数据的ACR算法，在未参与训练的障碍场景中准确率均超94%，突破传统模型需反复训练的局限。

结论与意义
该研究首次实现深度学习与A算法的深度融合，ACR模型通过：1）利用CNN-RNN双网络架构精准预测辐射源空间分布；2）基于A算法的动态路径规划实现复杂环境避障；3）开创"一次训练，多场景适用"的新范式。相比现有技术，其搜索效率提升50%以上，且避免昂贵的高分辨率探测器部署需求。论文发表于《Applied Radiation and Isotopes》，为核应急机器人提供了可扩展的智能解决方案，对保障放射从业人员健康具有重要实践价值。