基于ACO-GA的优化方法，用于提升自主导航在网格环境中的全局路径规划能力

《IEEE Transactions on Evolutionary Computation》：ACO-GA-Based Optimization to Enhance Global Path Planning for Autonomous Navigation in Grid Environments

路径规划算法MACOGA通过融合蚁群优化与遗传算法，有效解决复杂网格环境中的路径优化问题，实验表明其路径长度优化率达6%，执行时间低于0.3秒且成功率达100%。

　　

摘要：

探索用于自动驾驶车辆的路径规划技术，以找到最安全、最快的路线是非常有趣的。在这些技术中，生成基于网格的地图在简化路径规划过程方面尤为突出，尤其是在复杂环境中。本研究介绍了一种新颖的优化方法——改进的蚁群优化与遗传算法（MACOGA），该方法专为网格环境中的路径规划而设计。MACOGA结合了蚁群优化（ACO）和遗传算法（GA），以高效地导航网格空间。首先，ACO在网格地图中识别潜在的路线，然后GA对这些路线进行优化以找到最优路径。MACOGA的一个关键特点是其概率预测机制，该机制通过整合启发式因素和可行潜在路径的概率计算来改进节点选择，从而显著提高了生成可行初始路径的可能性，并在各种环境测试中取得了更高的成功率。MACOGA中的增强遗传算法融合了ACO的信息素和启发式因素，并引入了自适应的概率交叉和变异操作。此外，路径重新连接操作确保了路径的长度和平滑性。为了评估MACOGA的有效性，研究了六个不同大小和复杂度的平面模型。结果表明，MACOGA在路径长度和执行时间方面表现出优越性，在多种环境中实现了最短路径和最短规划时间。最短路径的优化可带来高达6%的改进。就运行时间而言，即使在复杂场景中，其执行时间也仅为0.3秒，优于其他比较算法。此外，在相对复杂的环境中，成功率可达到100%。

引言

自动驾驶车辆正迅速成为军事和民用应用中的重要资产[1]。因此，研究人员越来越重视提高这些车辆在各种任务中的自主性，尤其是在感知[2]、决策[3][4][5]和控制[6]方面。在众多因素中，熟练的导航技术是自动驾驶的关键所在。适应周围环境并避开障碍物的能力对无人驾驶场景中的自主能力有着重要影响[7]。为此，导航系统通过感知模块与环境交互，这些模块与路径规划和跟踪模块协同工作，从而实现完全自主的导航。因此，路径规划已成为自主机器人研究中的核心技术。路径规划器的任务是从起点到终点识别出最优或近乎最优的无碰撞路线，而这些路线的评估标准会根据不同的机器人场景进行调整[8]。此外，在路径寻找过程中，遇到的障碍物类型和数量各不相同，这就需要考虑多种问题，如寻找最短路径、确保轨迹平滑性以及导航动态障碍物[9]。