📘 一、论文基本信息与定位

• 标题：Review of Autonomous Path Planning Algorithms for Mobile Robots
• 期刊：Drones（MDPI，IF ≈ 4.5，2023）
• 作者单位：中国科学院沈阳自动化研究所（机器人学国家重点实验室）等
• 性质：开放获取（Open Access）综述论文，聚焦移动机器人路径规划，涵盖地面、水下、空中三类机器人，并延伸至多机器人协同与异构系统（空-地）协作。
• 核心目标：为研究者提供算法分类框架、技术演进脉络、优缺点对比、未来方向指引。

---

🧩 二、论文整体结构解析

1. Introduction	阐述移动机器人应用背景（仓储、海洋探测、无人机搜救等），强调路径规划是实现自主性的核心，提出综述必要性。
2. Path Planning Algorithm	主体部分，将算法分为8大类，每类下细分具体方法，结合近年文献（2010–2023）分析改进策略。
3. Multi-Robot Systems	讨论多机器人协同路径规划中的避碰、任务分配、通信协调问题。
4. Heterogeneous Cooperation	聚焦空-地机器人协同（如无人机引导地面车），强调感知-规划-执行闭环。
5. Discussion	总结当前挑战，提出四大未来热点。
6. Conclusion	凝练全文，强调“组合算法”与“智能融合”是趋势。

---

🔍 三、八大类路径规划算法详解（含技术细节与代表工作）

1. 基于图搜索的算法（Graph-based Search）

• 代表：A*、Dijkstra
• 原理：在离散栅格地图上搜索最短路径。
• A* 改进方向：
  • RiskA* [15]：引入风险代价（如人群密度），用于城市无人机路径。
  • T* [9]：融合线性时序逻辑（LTL），满足任务时序约束。
  • COA* [10]：在“加权彩色图”上搜索，结合语义信息（如“危险区”“安全区”）。
  • 融合DWA [11]：A*做全局规划，DWA做局部避障，适用于大规模动态环境。
• 局限：路径转折多、实时性差、难以处理高维连续空间。

2. 启发式智能搜索（Heuristic Intelligence）

(a) 遗传算法（GA）

• 改进：
  • GA + Q-learning [21]：离线全局规划 + 在线动态避障。
  • 混合MILP-GA [25]：用于多无人机路径，兼顾能耗与成本。
  • 模糊GA [27]：解决多无人机返航问题。
• 问题：收敛慢、参数敏感、易早熟。

(b) 蚁群算法（ACO）

• 创新：
  • ACO-A* [32]：ACO决定目标访问顺序，A*做两点间路径规划。
  • 2-OptACO [34]：引入2-opt局部优化，加速收敛。
  • MTS-ACO [35]：面向“最小时间搜索”任务，设计专用启发函数。
• 优势：适合多目标优化；劣势：易陷入局部最优。

(c) 粒子群优化（PSO）

• 亮点：
  • DENPSO [39]：非线性惯性权重 + 惩罚函数，用于水下机器人节能路径。
  • DCA*PSO [43]：动态分治 + A* + PSO，将高维问题分解为低维子问题。
  • SHOPSO [42]：结合自私群优化（SHO），提升战场环境下避障能力。
• 特点：收敛快、实现简单，但随机性强，无法保证全局最优。

3. 局部避障算法（Local Obstacle Avoidance）

(a) 动态窗口法（DWA）

• 核心：在速度空间采样，评估轨迹安全性与目标导向性。
• 改进：
  • Q-learning DWA [45]：自适应调整评价函数权重。
  • MPC-DWA [47]：用模型预测控制处理窄通道问题。
• 适用：实时性要求高的场景（如室内机器人）。

(b) 人工势场法（APF）

• 经典问题：局部极小值、目标不可达。
• 突破：
  • 细菌势场法 [49]：结合细菌进化算法，增强全局探索。
  • 矢量APF [52]：用于3D水下机器人，改进合力方向计算。
  • 风场APF [54]：考虑风扰动，设计抗风引力函数。
• 本质：反应式控制，适合未知动态障碍。

(c) 时间弹性带（TEB）

• 优势：生成时间-空间联合优化的平滑轨迹，满足动力学约束。
• 改进 [59]：
  • 加入危险惩罚因子、加速度跳变抑制、末端平滑约束。
• 局限：计算量大，不适合大规模场景。

4. 人工智能方法（AI-based）

(a) 神经网络（NN）

• GAPCNN [61]：脉冲耦合神经网络，实现快速路径查询。
• CNN + Q-learning [62]：多机器人无冲突路径规划。
• LSTM导航 [65]：端到端估计AUV位姿，抗传感器偏差。

(b) 强化学习（RL / DRL）

• 核心思想：通过试错学习最优策略，无需环境先验。
• 代表工作：
  • DDPG + LOS [72]：视线制导辅助策略学习，提升3D避障性能。
  • Mapless Planner [70]：仅用稀疏测距数据 + 目标相对位置，输出转向指令。
  • Multi-step D3QN [76]：利用通信覆盖图，规划抗干扰路径。
• 挑战：样本效率低、训练成本高、可解释性差。

(c) 类脑导航（Brain-like Navigation）

• 前沿方向：
  • 认知地图（Tolman, 1948）：内部空间表征。
  • 脉冲神经网络（SNN）：模拟位置细胞、网格细胞。
  • DeepMind双路径DRL [81]：在街景中无地图导航。
• 潜力：小样本学习、强泛化能力，是下一代智能导航的关键。

5. 基于采样的算法（Sampling-Based）

(a) RRT / RRT*

• 改进：
  • Smooth RRT* [82]：生成满足非线性动力学约束的平滑路径。
  • NRRT* [84]：用CNN学习A*路径，加速RRT*采样。
  • Bi-RRT / KB-RRT [86,88]：双向扩展 + 运动学约束，减少节点数。
  • CL-RRT [89]：闭环随机树，结合模糊控制器评估扩展可行性。
• 适用：高维、非结构化环境（如3D水下、复杂城市）。

(b) PRM

• OP-PRM [93]：在障碍物附近增加采样密度，解决“窄通道”问题。
• PRM-RL [94]：用强化学习构建连通性更好的路图。

6. 基于规划器的算法（Planner-Based）

• CHOMP [95,96]：梯度优化轨迹，用于自动驾驶卡车避障。
• TrajOpt [97]：首次应用于AUV 3D路径规划，处理非凸约束。

7. 基于约束满足的算法（Constraint-Based）

• 机会约束规划（CCP） [98,99]：处理位置不确定性（如高斯噪声）。
• 模型预测控制（MPC） [100,101]：滚动优化，结合势场函数提升安全性。
• 二次规划（QP） [102,103]：将轨迹优化转化为QP问题，高效求解。
• 软约束 [104,105]：利用ESDF（欧氏符号距离场） + B样条，生成高速安全轨迹。

8. 其他算法

• 差分进化（DE） [106,107]：优化B样条控制点，适应洋流。
• 生物地理优化（BBO） [109]：用于AUV任务规划。
• 水平集（LSM） [113,114]：处理动态洋流场中的路径优化。
• 快速行进法（FM） [115–117]：求解Eikonal方程，生成光滑路径。
• 模糊逻辑 [118–120]：无需精确模型，适合强干扰海洋环境。

---

🤝 四、多机器人与异构协同路径规划

多机器人系统

• 核心挑战：避碰 + 任务分配 + 通信协调。
• 方法：
  • IAPF + 优先级模型 [121]：解决局部极小值与机器人间碰撞。
  • RRT-GFE [123]：结合贪心前沿探索，提升协同探索效率。
  • EGEA [124]：精英群体进化算法，用于海洋采样。
  • θ-PSO [131]：角度编码PSO，优化编队路径。

空-地协同系统

• 典型架构：无人机（全局感知）→ 地面车（执行）。
• 案例：
  • Two-MA [133]：两层模态算法，优化城市违建检测任务时间。
  • 语义分割引导 [136]：无人机识别停车位，引导地面车。
  • 紧耦合感知-导航 [137]：统一框架处理结构化/非结构化环境。

---

📊 五、算法对比总结（基于Table 1）

图搜索	最优性保证、实现简单	实时性差、路径不平滑	静态、小规模环境
启发式智能	全局搜索强、适合多目标	收敛慢、参数敏感	离线规划、复杂约束
局部避障	实时性好、反应快	易陷入局部极小	动态、未知环境
AI（DRL/NN）	自适应强、无需先验	训练成本高、黑箱	复杂、不确定环境
采样法	高维有效、概率完备	路径质量不稳定	非结构化、3D空间
规划器/约束法	轨迹平滑、满足动力学	计算复杂	自动驾驶、高速飞行

---

🔮 六、未来研究方向（论文提出）

1. 多机器人协同路径规划：高效通信、动态任务分配、冲突消解。
2. 算法性能提升：降低计算复杂度，实现实时全局优化。
3. 强化学习深度应用：提高样本效率、增强可解释性、迁移至真实系统。
4. 多传感器融合规划：融合激光、视觉、IMU、GNSS等，提升环境感知精度。

---

✅ 总结

这篇综述不仅是算法的罗列，更是技术演进的脉络梳理。它清晰指出：

• 单一算法已难以满足复杂任务需求；
• “传统+智能”、“全局+局部”、“规划+控制”融合是主流趋势；
• 真实世界部署（sim-to-real）仍是最大挑战。