深度强化学习在路径规划中的涌现

复杂动态环境中对自主系统日益增长的需求推动了对智能路径规划方法的广泛研究。数十年来，图基搜索算法、线性规划技术和进化计算方法一直是该领域的基础方法。最近，深度强化学习（DRL）作为一种强大的方法，使自主智能体能够通过与环境交互学习最优导航策略。本综述提供了传统方法及 DRL 应用于路径规划任务的最新进展的全面概述，聚焦于自主车辆、无人机和机器人平台。对两套范式中的关键算法进行分类，并突出其创新和实际实现。随后详细讨论了它们在计算效率、可扩展性、适应性和鲁棒性方面的优势与局限。综述 concludes 通过识别关键开放挑战，概述了未来研究的有前景的方向。特别关注将 DRL 与经典规划技术相结合的混合方法，旨在发掘学习基于适应性和确定性可靠性两方面的优势，为稳健和有韧性的自主导航提供了前景的方向。