基于人工势场的杂乱环境路径规划

在本文中，我们研究了资源受限移动智能体在未知杂乱环境中的路径规划算法，这些环境包括但不限于各种地面任务（例如丛林中无人机的搜索与救援任务）和空间任务（例如月球上巡视器的导航）。特别地，我们关注基于人工势场（APF）的方法，其中目标对移动智能体具有吸引力，而障碍物具有排斥力。在本文中，我们对经典APF算法提出了两项主要改进，显著提升了基于APF的路径规划性能。首先，我们提出改进一种现有经典方法，该方法将势场代价函数在连续域上的梯度下降优化替换为在智能体当前位置周围一组预定义点（称为细菌点）上的组合优化。我们的方案包含一个自适应超参数，其根据当前环境测量值改变与每个细菌点相关的势函数值。我们所提出的解决方案以最小的计算复杂度增加为代价，在收敛到目标方面改善了导航性能。其次，我们通过引入一种新的分支代价函数来改进细菌点的势场代价函数，进一步提升了导航性能。该算法在一组蒙特卡洛仿真试验上进行了测试，其中每次试验的环境均发生变化。我们的仿真结果表明，与传统势场方法相比，导航时间降低了25%，成功率提高了约300%，并且我们给出了未来的研究方向。