自本世纪初以来，挖掘和运输车辆及设备的自主操作技术发展迅速[1]。近年来，人工智能技术在该领域的应用逐渐成为研究热点，特别是在单机智能操作的感知、规划和控制方面取得了显著成果。然而，当前的研究主要集中在特定类型的设备（如装载机[2]、挖掘机[3]和自卸卡车[4]）以及单一的操作模式上，缺乏跨平台的通用性。
近年来，多智能体强化学习[5][6]在路径规划领域得到了广泛应用。相关方法包括近端策略优化[7]、多智能体双延迟深度确定性策略梯度[8]、基于价值的方法[9]以及结合神经网络与分层强化学习的路径规划方法[10]。然而，现有研究主要集中在单车辆或单智能体的路径规划上，对涉及异构车辆的协作场景中的路径规划和模型泛化关注不足。同时，这些方法通常依赖于复杂的在线决策过程，这给工程车辆的资源受限的机载平台带来了部署挑战。尽管取得了这些进展，但单机智能仍不足以完成连续的挖掘-运输任务，必须依靠多系统协作[11]。现有的“自动化”方法适应性仍然有限，通常依赖于固定的调度规则和预定义的情景假设，因此无法在典型的协作操作场景中同时平衡路径连续性、车辆协作和模型泛化。具体来说，当前框架存在三个根本性限制：
(1) 由于孤立规划导致的协作不对齐。传统框架将同行车辆视为静态障碍物，忽略了时空耦合。这种分离处理会在协作操作过程中导致非线性路径扭曲和轨迹干扰[3]，从而大大降低多机协同操作的效率。
(2) 由于参数耦合设计导致的泛化能力差。大多数规划器对车辆规格非常敏感，依赖于“硬编码”的运动学约束。当异构车队中的参数发生变化时，路径可行性会下降，严重限制了现有算法的可扩展性。
(3) 由于分层碎片化导致的系统效率低下。当前研究将微观路径优化与宏观任务协作机械地分开。这种碎片化导致了短视行为——在优化局部能量的同时牺牲了多周期的长期运行效率[12]。
装载机和自卸卡车的协作操作场景通常假设为开放和平坦的工作环境。在这种环境下，协作路径规划的核心任务是确保路径曲率的连续性和车辆之间的有效协作。为了解决这些挑战，本文提出了一种基于DSN–GRU和双路径融合机制的协作路径规划方法。该方法利用DSN–GRU网络实现多个车辆模型之间的运动学特征的适应性解耦，并结合Bi-elementary曲线和连续曲率转向（CC-Steer）曲线进行路径规划，确保路径的连续曲率和平滑性。在优化算法方面，本文引入了一种改进的遗传算法-修改的粒子群优化（GA-MPSO）算法，动态调整惯性权重和分布式种群更新策略，以提高路径规划的全局优化能力和效率。本文的主要创新贡献如下：
(1) 时空耦合规划框架。通过优化卸货点和停车姿态，我们建立了一个时空约束模型，通过全局搜索和协同优化来克服轨迹不匹配问题。
(2) 模型特征解耦。DSN–GRU双流模块将车辆参数（如轴距、转向角）编码为动态阻抗特征，使其能够自动适应不同的设备模型。
(3) 分层混合路径生成范式。通过结合Bi-elementary曲线和CC-Steer的连续曲率，我们构建了一个混合路径序列，既保证了单次操作的平滑性，又实现了多周期的优化，填补了分层规划中的空白。
本文的其余部分组织如下：第2节回顾了装载机和自卸卡车路径规划的技术瓶颈。第3节详细介绍了所提出的方法论，包括整体框架概述（3.1节）、路径建模基础（3.2节）、改进的GA-MPSO优化（3.3节）以及用于泛化的DSN–GRU模块（3.4节）。第4节进行了仿真和实验验证。第5节评估了所提方法的优点和缺点，并提供了结论。
