导航智能性：Google OR-Tools 与机器学习在自动驾驶车辆全局路径规划中的综述
机器人学
2025-03-06 v1 人工智能
计算工程、金融与科学
信号处理
摘要
我们对无人地面车辆的全局路径规划（GPP）进行了新的深入研究，研究对象为一台名为 ROMIE 的自主采矿采样机器人。GPP 对 ROMIE 的最优性能至关重要，其可转化为旅行商问题——一个复杂的图论挑战，对于确定覆盖采矿场中所有采样位置的最有效路线至关重要。该问题对于通过优化成本和时间来提升 ROMIE 的运行效率和相对于人工劳动的竞争力具有核心意义。本研究的主要目标是通过开发、评估和改进一个成本高效的软件和 Web 应用程序来推进 GPP。我们深入比较和分析了 Google 运筹学（OR）-Tools 优化算法。我们的研究旨在通过首次集成强化学习技术来应用并测试 OR-Tools 的能力边界。这使我们能够将这些方法与 OR-Tools 进行比较，评估其计算有效性和实际应用效率。我们的分析旨在提供对每种技术有效性和实际应用的洞察。我们的结果表明，Q-Learning 是最优策略，在所有数据集上平均仅偏离最优解 1.2%，展现出优越的效率。
引用
@article{arxiv.2503.03338,
title = {Navigating Intelligence: A Survey of Google OR-Tools and Machine Learning for Global Path Planning in Autonomous Vehicles},
author = {Alexandre Benoit and Pedram Asef},
journal= {arXiv preprint arXiv:2503.03338},
year = {2025}
}