摘 要：巡查機器人被廣泛應(yīng)用于安防、工業(yè)檢測、建筑維護、環(huán)境監(jiān)測等領(lǐng)域，能夠?qū)崿F(xiàn)自主運行、任務(wù)執(zhí)行和巡邏勘察。巡查機器人路徑規(guī)劃是一項關(guān)鍵技術(shù)，其準確性和高效性對于實現(xiàn)自主操作和任務(wù)執(zhí)行至關(guān)重要。為了更好地解決巡查機器人的路徑規(guī)劃問題，分析并總結(jié)了當前研究進展，包括全局路徑規(guī)劃算法和局部路徑規(guī)劃算法。同時，還分析了巡查機器人路徑規(guī)劃面臨的挑戰(zhàn)，如復(fù)雜環(huán)境、動態(tài)障礙物和實時性等方面的要求。重點介紹了智能路徑規(guī)劃方法，并展望了未來巡查機器人發(fā)展的趨勢。

關(guān)鍵詞：巡查機器人；自主運行；全局路徑規(guī)劃；局部路徑規(guī)劃；智能路徑規(guī)劃；人工智能

中圖分類號：TP39 文獻標識碼：A 文章編號：2095-1302（2024）09-0-04

DOI：10.16667/j.issn.2095-1302.2024.09.033

0 引 言

巡查機器人的出現(xiàn)確實可以提高巡查工作的效率、降低成本并確保工作的連續(xù)性與穩(wěn)定性。路徑規(guī)劃在巡查機器人的工作中起著關(guān)鍵的作用，它需要考慮到目標點的距離、環(huán)境的安全性、道路的通行條件以及可能存在的障礙物等因素，以此找到最優(yōu)的巡查路線。優(yōu)秀的路徑規(guī)劃算法可以提高巡查機器人的工作效率、保證路徑的安全性，并減少資源和能量的浪費。

1 路徑規(guī)劃的基礎(chǔ)知識

1.1 全局規(guī)劃算法

常見的全局規(guī)劃算法包括Dijkstra算法、A*算法、代價地圖算法等。這些算法能夠考慮整體的路徑優(yōu)化，以找到盡可能短的路徑。

（1）Dijkstra算法

Dijkstra算法可以計算出起點到所有其他節(jié)點的最短路徑。它通過動態(tài)地更新節(jié)點之間的距離信息來選擇下一個節(jié)點進行擴展，直到到達目標節(jié)點為止，由此得到整個地圖上的最短路徑。它具有精確性和廣泛適用性的優(yōu)點，可以應(yīng)用于有向圖和無向圖，并且能夠處理帶有權(quán)重的邊。然而，該算法也存在一些缺點。首先，Dijkstra算法的時間復(fù)雜度為O（V2），其中V是節(jié)點的數(shù)量。在大規(guī)模圖中，計算時間可能會相當長。另外，Dijkstra算法無法處理負權(quán)邊，因為它假設(shè)了所有邊的權(quán)重均為非負數(shù)。當圖中存在負權(quán)邊時，該算法可能無法得出正確的最短路徑結(jié)果。文獻[1]結(jié)合了Dijkstra算法和蟻群算法，先使用Dijkstra算法搜索初始路徑，然后再使用蟻群算法進行進一步優(yōu)化，以獲得更好的最短路徑結(jié)果。這種混合使用不同算法的方法可以提高路徑規(guī)劃的效果和效率。

（2）A*算法

A*算法是一種啟發(fā)式的全局路徑規(guī)劃算法。它通過自定義的啟發(fā)函數(shù)來預(yù)估每個節(jié)點與目標節(jié)點之間的代價，并綜合實際代價進行選擇。A*算法在搜索過程中保證了較好的路徑質(zhì)量和效率。A*算法要求設(shè)計啟發(fā)函數(shù)時需要一定的領(lǐng)域知識和經(jīng)驗，不同的啟發(fā)函數(shù)可能會導(dǎo)致不同的性能表現(xiàn)；此外，當搜索空間較大時，A*算法可能會面臨內(nèi)存占用較大的問題。

通過引入不同的技術(shù)和方法，對A*算法進行改進和優(yōu)化，讓其在路徑規(guī)劃中表現(xiàn)更好，更符合實際應(yīng)用需求。文獻[2]通過在A*算法的代價函數(shù)中加入類似人工勢場法的目標引力和障礙物斥力，以更好地考慮地圖信息，并使用

B樣條曲線進行平滑處理，改進了A*算法。改進后的算法能夠生成比傳統(tǒng)A*算法更平順、更合理的路徑，特別是在直線距離相同的情況下，算法會選擇更平直、轉(zhuǎn)彎較少的路徑。文獻[3]通過設(shè)置函數(shù)對傳統(tǒng)A*算法的路徑進行過濾修整，并使用B樣條曲線進行平滑處理，得到更合理、更適合實際設(shè)備執(zhí)行的路徑，去除了交叉或鋸齒形的不合理路徑，進一步提升了路徑的質(zhì)量。

（3）代價地圖算法

巡查機器人可以使用代價地圖（Costmap）算法進行全局路徑規(guī)劃。代價地圖將環(huán)境劃分為多個柵格，并為每個柵格賦予代價或權(quán)重，根據(jù)代價地圖中的信息選擇最佳路徑。學(xué)者們對代價地圖算法進行了廣泛研究。例如，文獻[4]提出了OGM（Occupancy Grid Map）算法，它將環(huán)境劃分為網(wǎng)格并使用二進制值表示障礙物狀態(tài)。文獻[5]使用了概率性代價地圖算法，可以在不確定環(huán)境中進行路徑規(guī)劃。還有一些學(xué)者將代價地圖與A*算法相結(jié)合[6]，可以實現(xiàn)更快速、更優(yōu)化的路徑規(guī)劃。另外，一些學(xué)者還將機器學(xué)習方法[7]應(yīng)用于代價地圖算法，通過訓(xùn)練模型來優(yōu)化代價地圖的生成和路徑規(guī)劃過程。

（4）Voronoi圖算法

Voronoi圖算法以機器人周圍的障礙物為中心，將環(huán)境劃分為多個區(qū)域，并為每個區(qū)域中的點分配一個最近的障礙物。巡查機器人可以使用Voronoi圖算法來生成一系列區(qū)域，并將路徑規(guī)劃限制在這些區(qū)域中。這種方法可以幫助機器人避開障礙物并規(guī)劃出均勻分布的路徑。

在多機器人路徑規(guī)劃中，研究者們對傳統(tǒng)的Voronoi圖算法進行了優(yōu)化和改進。例如，文獻[7]在傳統(tǒng)的Voronoi圖算法基礎(chǔ)上，在兩個機器人相遇時通過在低優(yōu)先級機器人上添加額外的Voronoi特征點，使其路徑繞開高優(yōu)先級機器人。文獻[8]通過刪除不必要的特征點，并增加新的引導(dǎo)點，對傳統(tǒng)Voronoi圖路徑進行進一步優(yōu)化。文獻[9]通過特征矩陣過濾Voronoi圖的特征點，刪除不必要的點，從而得到更優(yōu)的路徑。

上述改進的方法旨在提高多機器人路徑規(guī)劃的效率，并得到最優(yōu)路徑。利用Voronoi圖算法的優(yōu)勢，并針對多機器人場景進行了特定的改進，以實現(xiàn)更好的路徑規(guī)劃結(jié)果。

（5）RRT算法

RRT（Rapidly-exploring Random Tree）算法是一種基于采樣和樹結(jié)構(gòu)的路徑規(guī)劃算法。它通過隨機采樣和擴展來生成一個樹結(jié)構(gòu)，并逐步向目標點靠近，最終找到一條路徑。RRT算法在高維非凸空間中具有較好的適用性。在巡查機器人全局路徑規(guī)劃中，RRT算法及其變體被廣泛應(yīng)用。這些改進包括快速-隨機搜索樹（RRT*）算法[10]、RRT連接（RRT-Connect）算法[11]等。總體而言，基于采樣的快速隨機搜索樹算法在巡查機器人全局路徑規(guī)劃中具有重要的研究和應(yīng)用

價值。

1.2 局部規(guī)劃算法

常見的局部規(guī)劃算法包括深度優(yōu)先搜索、廣度優(yōu)先搜索、動態(tài)規(guī)劃等。這些算法主要用于在局部環(huán)境下找到機器人的可行路徑。

（1）動態(tài)窗口法（Dynamic Window Approach）：該方法是將機器人的速度和轉(zhuǎn)向空間離散化為有限的候選窗口，利用局部感知信息和推理來選擇最佳的速度和轉(zhuǎn)向組合。它能夠?qū)崟r更新機器人的運動狀態(tài)，適應(yīng)動態(tài)環(huán)境并避免碰撞。文獻[12]將動態(tài)窗口法中只考慮軌跡上障礙物的問題改進為同時考慮軌跡上和臨近軌跡的障礙物（FDWA算法），以避免機器人撞到靠近軌跡但不在軌跡上的障礙物。該算法具有較好的魯棒性，使得機器人能夠更安全地行進。文獻[13]提出了共享控制動態(tài)窗口方法，通過控制界面接收用戶命令，并提供最合適的、動態(tài)可行的軌跡和導(dǎo)航輔助。這種方法在非結(jié)構(gòu)化環(huán)境和動態(tài)約束下駕駛車輛時能夠發(fā)揮重要作用。

（2）基于模型預(yù)測控制（Model Predictive Control， MPC）：該方法通過建立一個模型來預(yù)測機器人的運動，然后通過優(yōu)化求解來選擇最優(yōu)的控制策略。它考慮到了機器人的動力學(xué)約束和目標約束，能夠生成平滑的軌跡并避過障礙物。文獻[14]提出了一種基于概率的模型預(yù)測控制方法，用于在有噪聲和不確定性的環(huán)境中進行路徑規(guī)劃。文獻[15]則應(yīng)用強化學(xué)習和深度學(xué)習方法來改進MPC算法，在復(fù)雜環(huán)境下實現(xiàn)更精確和穩(wěn)定的路徑規(guī)劃。此外，還有一些學(xué)者將MPC與其他路徑規(guī)劃技術(shù)相結(jié)合，以提高路徑規(guī)劃的效果。例如，將MPC與代價地圖算法[16]相結(jié)合，可以兼顧全局路徑規(guī)劃和局部避障能力。

（3）反饋軌跡跟蹤控制（Feedback Trajectory Tracking Control）：該方法使用反饋控制，使機器人按照事先規(guī)劃好的軌跡運動。通過不斷調(diào)整控制輸入，實現(xiàn)對機器人位置和軌跡的跟蹤，以適應(yīng)環(huán)境變化和目標變化。許多學(xué)者對反饋軌跡跟蹤控制進行了研究，并提出了不同的改進和應(yīng)用方案。文獻[17]提出了一種基于模糊邏輯控制的反饋軌跡跟蹤方法，通過考慮機器人的動態(tài)特性和環(huán)境約束，實現(xiàn)了更準確的軌跡跟蹤效果。文獻[18]提出了一種基于自適應(yīng)控制理論的反饋軌跡跟蹤方法，能夠適應(yīng)不確定環(huán)境和參數(shù)

變化。

（4）基于局部感知的避障方法：這種方法將機器人的局部感知信息（如激光雷達或攝像頭數(shù)據(jù)）用于實時檢測周圍的障礙物，并采取相應(yīng)的避障策略，如引導(dǎo)機器人繞行或停下避讓。文獻[19]提出了一種基于深度學(xué)習的局部感知避障方法，通過訓(xùn)練神經(jīng)網(wǎng)絡(luò)來識別和分類障礙物，并實現(xiàn)自主避障能力。文獻[20]則提出了一種基于潛在場的局部感知避障方法，通過建立環(huán)境的潛在避障場來引導(dǎo)機器人運動，實現(xiàn)避障效果。此外，還有一些學(xué)者將局部感知的避障方法與其他路徑規(guī)劃技術(shù)相結(jié)合，以提高路徑規(guī)劃的效果。

2 巡查機器人路徑規(guī)劃面臨的挑戰(zhàn)

巡查機器人在路徑規(guī)劃中面臨許多特殊挑戰(zhàn)，包括復(fù)雜環(huán)境、動態(tài)障礙物和實時性方面的要求。這些挑戰(zhàn)對路徑規(guī)劃算法和技術(shù)產(chǎn)生了深遠的影響。

（1）復(fù)雜環(huán)境

巡查機器人經(jīng)常需要在復(fù)雜環(huán)境中進行路徑規(guī)劃，如室內(nèi)、室外、交通擁堵區(qū)域、工業(yè)環(huán)境等。這種環(huán)境可能存在復(fù)雜的地形、不可預(yù)知的場景變化以及障礙物。傳統(tǒng)的路徑規(guī)劃算法可能無法準確地為機器人導(dǎo)航使其通過這些復(fù)雜環(huán)境。因此，面對復(fù)雜環(huán)境，路徑規(guī)劃算法需要具備適應(yīng)性，能夠根據(jù)實時環(huán)境信息進行路徑更新和調(diào)整。

（2）動態(tài)障礙物

機器人在巡查過程中可能會遇到動態(tài)障礙物，如行人、車輛等。這些障礙物的位置和狀態(tài)可能隨時間變化，這對路徑規(guī)劃提出了更高的要求。傳統(tǒng)的路徑規(guī)劃算法往往沒有考慮到動態(tài)障礙物的影響，導(dǎo)致生成的路徑可能不是最優(yōu)或甚至不可通過。因此，在面對動態(tài)障礙物時，路徑規(guī)劃算法需要考慮到實時感知和預(yù)測障礙物的能力，以便及時更新路徑來避免碰撞。

（3）實時性要求

對于巡查機器人而言，滿足實時性要求是一個重要的挑戰(zhàn)。機器人通常需要在實時環(huán)境中執(zhí)行任務(wù)，而路徑規(guī)劃是決定機器人下一步行動的關(guān)鍵。因此，路徑規(guī)劃算法需要具備高效的計算能力和較短的響應(yīng)時間，以適應(yīng)機器人快速移動和環(huán)境快速變化的情況。傳統(tǒng)的路徑規(guī)劃算法可能需要長時間進行計算，導(dǎo)致機器人短時間內(nèi)無法做出及時的響應(yīng)。因此，實時性要求對路徑規(guī)劃算法的設(shè)計和優(yōu)化提出了更高的標準。

3 巡查機器人智能路徑規(guī)劃方法

隨著機器算力的發(fā)展和人工智能的盛行，學(xué)者們將人工智能技術(shù)與路徑規(guī)劃結(jié)合，提出了基于人工智能的路徑規(guī)劃算法。這些算法主要分為基于強化學(xué)習和基于神經(jīng)網(wǎng)絡(luò)兩類。

基于強化學(xué)習的算法通過與環(huán)境進行交互迭代，獲取反饋信息并優(yōu)化策略，無需預(yù)知環(huán)境先驗知識。根據(jù)求解方法的不同，基于強化學(xué)習的算法可分為值函數(shù)法、直接策略搜索法以及值和策略相結(jié)合的方法。針對Q-learning算法收斂速度慢的問題，學(xué)者們提出了一些改進方法，如部分引導(dǎo)Q-learning[21]和高效Q學(xué)習算法[22]。這些算法通過改進初始化和選擇策略等方式，提高了收斂速度和效率。

基于強化學(xué)習的算法在路徑規(guī)劃中的應(yīng)用存在一些限制，例如需要逐步迭代以獲取反饋信息，對于大地圖或高迭代次數(shù)其效率和準確度可能受到影響。因此，一些學(xué)者開始將目光轉(zhuǎn)向通過深度神經(jīng)網(wǎng)絡(luò)來改進路徑規(guī)劃問題。深度神經(jīng)網(wǎng)絡(luò)與基于強化學(xué)習的算法結(jié)合時可以通過近似值函數(shù)或策略函數(shù)來提高效率和準確度，進而充分利用神經(jīng)網(wǎng)絡(luò)的高擬合能力和非線性表達能力。這種基于深度神經(jīng)網(wǎng)絡(luò)的路徑規(guī)劃方法有望克服傳統(tǒng)強化學(xué)習的局限性，為機器人路徑規(guī)劃提供更好的解決方案。

神經(jīng)網(wǎng)絡(luò)的學(xué)習能力和魯棒性使得其與其他算法的結(jié)合成為路徑規(guī)劃領(lǐng)域的研究熱點。一些研究探索了將遺傳算法與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，該方法利用遺傳算法進行優(yōu)化，通過神經(jīng)網(wǎng)絡(luò)來評估和指導(dǎo)路徑規(guī)劃。另外一種方法是將人工勢場和神經(jīng)網(wǎng)絡(luò)結(jié)合起來，通過神經(jīng)網(wǎng)絡(luò)來調(diào)整人工勢場的參數(shù)，實現(xiàn)更靈活的路徑規(guī)劃。還有一些研究將模糊邏輯與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合，利用模糊邏輯來處理不確定性，并通過神經(jīng)網(wǎng)絡(luò)進行決策和路徑規(guī)劃。文獻[23]提出了一種結(jié)合快速探索隨機樹（RRT）和長短期記憶（LSTM）網(wǎng)絡(luò)的路徑規(guī)劃方法，通過RRT生成路徑數(shù)據(jù)集并利用卷積自編碼器和LSTM網(wǎng)絡(luò)進行訓(xùn)練，克服了傳統(tǒng)路徑規(guī)劃方法存在的困難，證明了神經(jīng)網(wǎng)絡(luò)在路徑規(guī)劃中的可行性。文獻[24]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的新型最優(yōu)路徑規(guī)劃算法，稱為神經(jīng)RRT*（NRRT*），該方法利用卷積神經(jīng)網(wǎng)絡(luò)進行非均勻采樣分布的訓(xùn)練，實現(xiàn)了基于卷積神經(jīng)網(wǎng)絡(luò)的路徑規(guī)劃。另外，文獻[25]提出了一種基于門控循環(huán)單元-循環(huán)神經(jīng)網(wǎng)絡(luò)的動態(tài)路徑規(guī)劃方法，通過該網(wǎng)絡(luò)生成新的控制策略以指導(dǎo)機器人的運動，并避開障礙物。盡管目前已經(jīng)有學(xué)者對神經(jīng)網(wǎng)絡(luò)路徑規(guī)劃進行了研究，但可用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)集仍相對不足，基于神經(jīng)網(wǎng)絡(luò)的路徑規(guī)劃算法仍存在很大的研究空白。未來的研究可以重點關(guān)注如何將路徑規(guī)劃問題轉(zhuǎn)化為神經(jīng)網(wǎng)絡(luò)的預(yù)測問題，并進一步探索更有效和可拓展的方法來提高神經(jīng)網(wǎng)絡(luò)在路徑規(guī)劃中的性能。

4 結(jié) 語

巡查機器人路徑規(guī)劃是一項關(guān)鍵的技術(shù)，它在保障領(lǐng)域安全、提高效率和減少人力資源消耗等方面發(fā)揮著重要作用。巡查機器人路徑規(guī)劃有著廣闊的發(fā)展前景。

巡查機器人路徑規(guī)劃將趨向更智能化和自主化。隨著深度學(xué)習和人工智能的不斷發(fā)展，機器人能夠通過學(xué)習和理解環(huán)境，快速而準確地規(guī)劃出最優(yōu)路徑。機器人可以借助大量數(shù)據(jù)和模式識別技術(shù)，實時感知環(huán)境信息，并根據(jù)任務(wù)要求和約束條件生成智能路徑。這將使機器人在各種復(fù)雜環(huán)境中能夠更加靈活和高效地執(zhí)行巡查任務(wù)。

另外，巡查機器人路徑規(guī)劃將更加注重多智能體協(xié)作和混合導(dǎo)航技術(shù)。多個巡查機器人之間的協(xié)同工作可以提高巡查的效率、擴大覆蓋范圍。通過共享信息和任務(wù)分配，多智能體可以相互合作，形成協(xié)同行動的路徑規(guī)劃策略。此外，混合導(dǎo)航技術(shù)將結(jié)合定位系統(tǒng)、激光雷達、視覺傳感器等多種導(dǎo)航技術(shù)，以確保機器人在各種環(huán)境中都能夠?qū)崿F(xiàn)精確定位和規(guī)劃路徑。

隨著巡查機器人應(yīng)用場景的延伸，路徑規(guī)劃將更加多樣化和個性化。不同場景下的巡查任務(wù)可能具有特定的約束條件和需求，如避免人群擁擠、優(yōu)化能耗、規(guī)避動態(tài)障礙物等。未來的巡查機器人路徑規(guī)劃將根據(jù)不同場景的特點和任務(wù)目標，進行高度個性化的路徑生成。通過集成機器學(xué)習和優(yōu)化算法，機器人能夠快速學(xué)習和適應(yīng)新環(huán)境，為不同場景下的路徑規(guī)劃提供解決方案。

參考文獻

[1] ZHAO H，NIE Z，ZHOU F，et al. A compound path planning algorithm for mobile robots [C]// 2021 IEEE International Conference on Power Electronics，Computer Applications （ICPECA）.Shenyang：IEEE，2021.

[2] ZHANG J，WU J，SHEN X，et al. Autonomous land vehicle path planning algorithm based on improved heuristic function of A-Star

[J/OL]. International journal of advanced robotic systems，2021，1（85）：[2022-08-20]. https：//doi.org/10.1177/17298814211042730.

[3] TANG G，TANG C，CLARAMUNT C，et al. Geometric A-star algorithm：an improved A-star algorithm for AGV path planning in a port environment [J]. IEEE access，2021，9：59196-59210.

[4] THRUN S，MONTEMERLO M，ARON A，et al. FastSLAM：a factored solution to the simultaneous localization and mapping problem [C]// Proceedings of the Eighteenth International Joint Conference on Artificial Intelligence（IJCAI-03）. Edmonton，Alberta，Canada：American Association for Artificial Intelligence，2002：593-598.

[5] KARAMAN S，WALRAND J，F(xiàn)RAZZOLI E. Incremental sampling-based algorithms for optimal motion planning [C]// Proceedings of the IEEE International Conference on Robotics and Automation（ICRA）. [S.l.]：IEEE，2010：1720-1725.

[6] PUBUDU C S，PATHIRANA P N. Self-adaptive weighted A*-based path planning using cost maps for mobile robots [C]// Proceedings of the 12th International Conference on Robotics，Vision，Signal Processing amp; Power Applications （ROVISP2022）. [S.l.]：[s.n.]，2022：1-6.

[7] WANG Y，YANG C，ZHOU D. A machine learning-based cost map generation method for mobile robot path planning [J]. IEEE access，2022，10：55508-55519.

[8] AL-DAHHAN M R H，SCHMIDT K W. Voronoi boundary visibility for efficient path planning [J]. IEEE access，2020，8：134764-134781.

[9] CHI W Z，DING Z Y，WANG J K，et al. A generalized Voronoi diagram-based efficient heuristic path planning method for RRTs in mobile robots [J]. IEEE transactions on industrial electronics，2022，69（5）：4926-4937.

[10] KARAMAN S，F(xiàn)RAZZOLI E. Sampling-based algorithms for optimal motion planning [J]. International journal of robotics research，2011，30（7）：846-894.

[11] FERGUSON D，STENTZ A. Anytime RRBT：an anytime algorithm for optimal kinodynamic planning [C]// Proceedings of the IEEE International Conference on Robotics and Automation（ICRA）. [S.l.]：[s.n.]，2006：536-543.

[12] SARANRITTICHAI P，NIPARNAN N，SUDSANG A. Robust local obstacle avoidance for mobile robot based on dynamic window approach [C]// 2013 10th International Conference on Electrical Engineering/Electronics，Computer，Telecommunications and Information Technology. Krabi，Thailand：IEEE，2013.

[13] PABLO I B，F(xiàn)ERNANDO D R，DIAZ S V，et a1.The shared control dynamic Window approach for non-holonomic semi-autonomous robots [C]// ISR/Robotik 2014； 41st International Symposium on Robotics. Munich，Germany：IEEE，2014.

[14] KASURINEN J，MALINEN M，LYGEROS J. Probabilistic model predictive control for path planning in noisy and uncertain environments [C]// 2015 American Control Conference（ACC）. [S.l.]：IEEE，2015：2195-2200.

[15] CECCARELLI A，PETRESCU F，JOHANSSON K H. Reinforcement learning and deep learning enhanced model predictive control for precise and robust path tracking [J]. IEEE transactions on intelligent transportation systems，2016，17（3）：

648-659.

[16]張航，劉建華，余靜玉，等. 基于代價地圖和模型預(yù)測控制的移動機器人路徑規(guī)劃研究[J]. 自動化技術(shù)與應(yīng)用，2015，36（5）：11-16.

[17] LI X，DONG T，LIU J，et al. Fuzzy logic control for trajectory tracking of mobile robots considering robot dynamic characteristics and environmental constraints [J]. Sensors，2018，18（10）：3375.

[18] WANG Y，HU X，LI Z，et al. Adaptive backstepping control for trajectory tracking of a quadrotor UAV considering actuator dynamics and parameter uncertainties [J]. Aerospace science and technology，2019，87：246-259.

[19] ZHANG C，PATIL D P，VONDRICK C. Help，Anna！ Autonomous navigation with episodic memory [C]// Proceedings of the IEEE International Conference on Computer Vision. [S.l.]：IEEE，2019：8617-8626.

[20] YAMAUCHI B，PAPADIMITRIOU C. A potential field approach to path planning [C]// Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems. [S.l.]：IEEE，2016：178-185.

[21]王付宇，張康，謝昊軒，等.基于改進Q-learning算法的移動機器人路徑優(yōu)化[J].系統(tǒng)工程，2022，40（4）：100-109.

[22]周治國，余思雨，于家寶，等.面向無人艇的T-DQN智能避障算法研究[J].自動化學(xué)報，2023，49（8）：1645-1655.

[23] INOUE M，YAMASHITA T，NISHIDA T. Robot path planning by LSTM network under changing environment [C]// International Conference on Computational Sciences，Advanced Database and Computing. Phuket，Thailand：[s.n.]，2019：317-329.

[24] WANG J，CHI W，LI C，et al. Neural RRT*：learning-based optimal path planning [J]. IEEE transactions on automation science and engineering，2020，17（4）：1748-1758.

[25] YUAN J，WANG H，LIN C，et al. A novel GRU-RNN network model for dynamic path planning of mobile robot [J]. IEEE access，2019，7：15140-15151.

收稿日期：2023-09-16 修回日期：2023-10-17

基金項目：山東省船舶控制工程與智能系統(tǒng)工程技術(shù)研究中心項目（SSCC20210004）；威海市海洋智能裝備與系統(tǒng)工程研究項目（WOIE202110002）

作者簡介：孫婷婷（1987—），女，碩士，副教授，研究方向為智能控制技術(shù)。