《Decision Analytics Journal》：A critical review of analytical approaches to path planning for autonomous mobile robots
在本研究中，研究人员对移动机器人导航策略进行了批判性研究与讨论，重点关注不同环境和约束下路径规划方法的发展。研究详细讨论了经典方法和智能方法，以阐明其优点、缺点及未来研究范围。所研究的经典方法包括Dijkstra算法、A*算法、D*算法、D* Lite算法、路线图（Roadmap）方法和单元分解（Cell Decomposition）方法。所研究的智能方法包括粒子群优化算法（Particle Swarm Optimization, PSO）、萤火虫算法（Firefly Algorithm, FA）、混洗蛙跳算法（Shuffled Frog Leaping Algorithm, SFLA）、蚱蜢优化算法（Grasshopper Optimization Algorithm, GOA）、细菌觅食优化算法（Bacterial Foraging Optimization, BFO）、蜂群优化算法（Bee Colony Optimization, BCO）、蚁群优化算法（Ant Colony Optimization, ACO）、灰狼优化算法（Grey Wolf Optimization, GWO）、红狼优化算法（Red Wolf Optimization, RWO），以及神经网络（Neural Networks, NN）、遗传算法（Genetic Algorithm, GA）、模糊逻辑（Fuzzy Logic, FL）和势场（Potential Fields, PF）方法。此外，本次综述还深入审视了当代基于机器学习的方法，包括强化学习（Reinforcement Learning, RL）、深度强化学习（Deep RL）、图神经网络（Graph Neural Networks, GNNs）和基于Transformer（Transformer-based）的方法，这些方法在当前学术研究中占据主导地位。该综述涵盖了单机器人和多机器人系统在静态和动态环境中的导航问题。研究结果表明，智能策略在多样化地形中相比经典方法具有更高的灵活性和有效性。此外，智能方法常被用于通过开发混合算法来增强经典技术。总体而言，移动机器人路径规划越来越依赖于智能方法。该探索以呈现一个强化的比较框架达到高潮，该框架包括新的表格和图表，定义了不同导航策略的执行性能、计算复杂度和灵活性。这些可视化结果支持了特定机器人案例中策略的相关性，并阐明了重要的研究路径。
论文主体部分总结如下：
**1. 引言**
自主移动机器人最初主要用于制造业，现已扩展到娱乐、医疗、采矿、搜救、教育、军事、太空探索和农业等领域。导航的核心目标是安全轨迹规划，即从起点到目标点过程中识别并避开障碍物。导航分为全局导航、局部导航和个人导航三类。全局导航依赖环境先验信息，适用于熟悉环境；局部导航则不依赖此类信息，适用于未知区域。本文综述了经典算法（如路线图算法RM、人工势场APF、单元分解CD）和智能方法（如进化算法、神经网络、模糊逻辑、群体智能），并强调现代机器学习方法（如强化学习RL、深度强化学习Deep RL、图神经网络GNNs、基于Transformer的方法）的兴起。与以往侧重特定子领域（如3D路径规划或数据驱动控制）的综述不同，本文提供了经典与智能方法的全面批判性总结，并构建了严格的比较框架。
**2. 路径规划方法**
路径规划方法主要分为经典方法和智能方法两大类。
**2.1 经典方法**
经典方法在早期广泛使用，但存在计算需求高、对环境变量响应能力差等局限性。主要包括确定性方法和概率方法。
**2.1.1 确定性方法**
- **Dijkstra算法**：通过优先队列计算加权图中从起点到所有节点的最短路径，适用于静态/全局路径规划，但内存需求大且无法处理负权边。
- **A
*算法**：在Dijkstra基础上引入启发式函数h(n)，通过f(n)=g(n)+h(n)限制搜索空间，提高计算效率。适用于静态环境，广泛应用于游戏AI、机器人导航等。其变体包括分层A
*、混合A
*（考虑车辆运动学）和终身规划A
*（LPA
*，用于动态成本变化场景）。
- **D
*算法**：动态A
*，针对部分已知和动态环境设计，通过增量搜索修正成本图，计算无碰撞路径，速度优于最优重规划器，但内存占用高。
- **D
* Lite算法**：结合启发式和迭代搜索，通过反转边和交换起点/目标节点优化LPA
*，适用于动态未知环境中的快速重规划。增强版D
* Lite改进了避障能力，Field D
*通过线性插值生成全局平滑路径。
**2.1.2 概率方法**
- **路线图算法**：包括概率路线图（PRM）和快速探索随机树（RRT）。PRM通过随机采样构建路线图，分构建和查询两阶段，适用于高维空间，但随机采样可能导致窄通道问题。RRT动态扩展树结构，无需预设路径，适用于非完整约束系统，如轮式机器人。其变体包括RRT-Connect（双向搜索）和RRT
*（引入三角形不等式寻找最优路径）。RRT
*-smart通过智能采样和路径改进加速收敛。
- **可见性图**：连接障碍物顶点构建图，路径紧贴障碍物，需安全裕度，效率较低。
- **Voronoi图**：基于随机点分布生成多边形，边缘为障碍物等距线，提供安全路径，但路径非最优。
- **单元分解算法**：将规划区域分解为小单元，包括近似CD（网格划分，简单但存在数字偏差）、自适应CD（四叉树，动态调整单元大小减少计算）和精确CD（精确分割，适用于室内环境，不保证最优路径）。
**2.2 智能方法**
现代智能方法如遗传算法GA、模糊逻辑FL、神经网络NN及群体智能算法（PSO、ACO、BFO等）在移动机器人导航中日益流行，能够有效处理环境不确定性。
**2.2.1 现代基于机器学习的方法**
- **人工神经网络（ANN）**：由互连处理单元组成，具有泛化、并行处理和学习能力，已用于轮式机器人、SLAM集成、多机器人协作等。混合系统如NN-APF和NN-FL在杂乱环境中表现良好。
- **遗传算法（GA）**：基于自然选择和遗传机制，通过适应度函数评估个体，经交叉和变异迭代优化。用于静态/动态环境路径规划，常与FL、NN、PSO等结合形成混合算法，但收敛速度慢，最优解不确定性高。
- **模糊逻辑（FL）**：基于If-Then规则处理不确定性，用于避障、狭窄通道导航等。与传感器、强化学习、神经网络、GA、APF、ACO等结合，具备高机动性和实时决策能力。
- **势场算法（PF）**：利用数学函数生成吸引（目标）和斥力（障碍物）。包括基于波前（Wavefront）、深度优先（Depth-First）、广度优先（Breadth-First）和导航函数（Navigation Function）的变体。简单高效，但存在局部极小值问题，可通过导航函数解决。
**2.2.2 群体优化**
- **粒子群优化（PSO）**：模拟鸟群或鱼群社会行为，通过粒子位置和速度更新寻优。用于定位、轨迹规划、多机器人协同等。变体包括自适应性学习PSO（SLPSO）和混合PSO-IGSA。
- **蚁群优化（ACO）**：模拟蚂蚁觅食行为，通过信息素更新寻找最短路径。用于避障和路径优化，在静态和动态环境中均有效。改进包括几何局部优化、信息素扩散、Q-learning结合等。
- **人工蜂群算法（ABC）**：模拟蜜蜂采蜜行为，分为雇佣蜂、观察蜂和侦察蜂。用于静态和动态环境，已扩展到无人机、水下航行器和自主车辆路径规划。
- **蚱蜢优化算法（GOA）**：模拟蚱蜢群聚行为，通过社会交互和重力模型优化。用于全局路径规划，引入偏置因子和多项式逻辑回归改进路径质量。
- **细菌觅食优化（BFO）**：模拟大肠杆菌觅食行为，包括趋化、群聚、繁殖、消除和扩散。用于轮式机器人、工业机械臂和水面无人艇导航。
- **萤火虫算法（FA）**：模拟萤火虫发光行为，通过亮度吸引寻优。用于单机器人路径规划、多目标导航和工业机器人协作。
- **混洗蛙跳算法（SFLA）**：模拟青蛙觅食行为，通过模因进化分组搜索。用于多目标路径优化，如最大化安全性和平滑性，已应用于水下和无人机3D环境。
- **灰狼优化（GWO）**：模拟灰狼社会等级和狩猎行为，分为α、β、δ、ω四层。用于机器人路径规划，避免障碍物，具有较好的收敛性能。
- **红狼优化（RWO）**：模拟红狐狩猎行为，包括全局搜索和局部攻击。用于路径规划问题，在复杂环境中表现良好。
**3. 批判性分析与综合**
本节对路径规划方法进行了详细的比较分析和综合。基于效率、性能、混合方法融合机制、收敛行为、参数敏感性及性能基准测试等指标展开分析。
**3.1 效率与性能比较分析**
经典算法（如Dijkstra、A
*）在静态环境中具有多项式时间复杂度和最优性保证，但在动态环境下适应性差、重计算成本高。智能方法（PSO、GA、ACO）基于群体搜索更具灵活性，但计算昂贵且无最优性保证。现代机器学习方法（DRL、GNNs、Transformer）离线训练成本高，但推理速度快，适用于实时动态决策。
**3.1.1 混合方法分析**
- **融合机制**：包括全局-局部规划（如A
*-APF）、流水线处理（如RRT
*-NN）和并行协作（如PSO-GA）。
- **收敛行为**：混合方法收敛特性显著不同。PSO-GA通过变异算子引入随机多样性，保证全局渐近收敛。ACO-Q-Learning动态调整信息素更新规则。DRL混合方法通过双Q网络（如TD3、SAC）缓解过估计问题，训练步数通常需500K-2M。
- **参数敏感性**：智能方法超参数调优是关键挑战。PSO的惯性权重w、认知系数c1和社会系数c2需平衡探索与开发。ACO的信息素重要性因子α和启发式重要性因子β影响收敛速度。GA的交叉率和突变率需仔细调整。自适应参数调整技术（如线性递减惯性权重、自适应突变率）可降低敏感性。
**3.2 性能基准测试**
由于应用场景和性能指标广泛，难以直接通用基准测试。表2总结了不同算法在特定环境（如静态网格、动态半结构化、3D静态）和应用领域（如室内AGV、仓库机器人、无人机导航）中的性能。
**3.3 趋势分析**
图32展示了不同类别算法年发文量趋势，表明智能和机器学习方法的研究兴趣持续增长。图33显示了2020-2025年按方法类别划分的研究分布。
**3.4 方法局限性与混合方法分析**
经典算法虽有理论保证，但难以应对现实复杂性和不确定性。智能方法更灵活但缺乏形式化最优性或完备性。混合方法（如A
*+DWA、模糊逻辑+ACO）通过结合不同算法优势，在性能、鲁棒性和计算成本间取得更好平衡。
**4. 讨论**
经典方法因计算复杂度高、对局部极小值敏感、难以处理不确定性等缺点，已不常用。智能方法在意外场景中表现优异，但存在处理时间增加、设计复杂、内存需求大等问题。目前约95%的研究采用智能和机器学习算法，其中FL、GA和NN占超过50%。现代机器学习方法（DRL、GNNs、Transformer）正成为新的前沿，在复杂动态环境中表现出卓越性能。经典方法中的APF在部分已知或完全未知环境中表现良好，使用率显著增加。
表3比较了不同方法在静态和动态环境下的路径最优性、时间成本和可扩展性。经典算法在静态环境中最优但动态适应性差，智能方法灵活但计算成本中等，现代机器学习方法训练成本高但部署后动态成本低、路径质量高。
在3D路径规划中，经典方法不足，常需与FL、GA结合。DRL和GNNs正越来越多用于无人机和水下航行器3D路径规划，性能优于传统方法。在军事和国防应用中，智能方法因探索效率、计算速度、响应能力等优势更受青睐，现代机器学习方法提供更高自主性。
研究指出：智能策略优于传统方法；现代ML方法在固定和动态场景中轨迹质量更高，但需大量离线训练；动态环境导航研究相对静态较少；多机器人系统研究少于单机器人；混合算法研究少于独立算法。
**5. 结论**
本文系统分析了自主移动机器人路径规划策略，覆盖经典和智能方法，涵盖静态、动态和不确定环境。经典方法（Dijkstra、A
*、D
*、PRM）在结构化环境中具有确定性和最优性，但难以适应动态变化。智能和生物启发算法（GA、PSO、ACO、BFO、GWO、GOA、RWO）推动了更适应、鲁棒和可扩展的算法发展。现代机器学习方法（RL、Deep RL、GNNs、Transformer）带来了范式转变，使机器人能够从经验中学习并在复杂、非结构化环境中实现更高自主性。混合系统结合了传统方法的有效性和智能方法的灵活性，在动态、部分可观测和多机器人场景中表现出色。
未来研究方向包括：混合路径规划框架（融合经典算法与强化学习）、实时可扩展部署、可解释AI、多机器人协调、人机交互、基准测试标准化。路径规划正从静态确定性方法向动态自适应混合模型转变，智能优化、深度学习和生物启发方法的集成代表了方法论进化，也是迈向可靠、可解释和可扩展自主性的关键一步。
