领域知识驱动的多目标机器人路径规划新算法

本文主要探讨了"基于领域知识的多目标路径规划算法研究"，针对移动机器人路径规划问题，该问题的核心在于寻找一条从源点到单个或多个目标点的最优无碰撞路径。传统上，这个问题可能通过遗传算法来解决，尤其是对于具有单个和多个独立目标的情况。 作者Ritam Sarkara、Debaditya Barman和Nirmalya Chowdhury来自印度加尔各答Jadavpur大学计算机科学工程系和Visva-Bharati大学的计算机系统科学系，他们在文中提出了四种创新的基于领域知识的算子：电路消除算子、插入-删除算子、细化算子和目标对齐算子。前三者专门用于处理单目标路径规划，而所有四者都适用于多目标路径规划场景。 这些新算子旨在改进传统遗传算法在处理复杂动态环境中的性能，例如，当障碍物位置可变或出现/消失时。路径规划问题在这种环境下变得更加复杂，因为需要考虑如何在实时适应变化的环境中找到最优路径。作者强调，他们的方法在处理单一目标的路径规划问题上表现优于一些基于进化算法的传统解决方案。 论文在2020年收到了首次提交，并经过多次修订和审稿后，在2020年10月接受并在沙特国王大学学报上在线发布。文章采用CC BY-NC-ND许可证，这意味着读者可以在一定条件下自由地复制、修改和分发内容，但不能商业利用且必须注明原作者和来源。 本文是一项关键的贡献，它不仅提供了新的算法工具，还展示了在实际应用中如何通过结合领域知识优化移动机器人路径规划，尤其是在动态环境中的性能提升。这对于推进机器人技术的发展，特别是在自动化导航和物流等领域具有重要意义。