基于语义分割和迁移学习的启发式路径规划算法OA

在高维非结构化环境中实现高效、可靠的路径规划是机器人领域的关键难题。针对传统的路径规划算法在复杂场景中存在的采样效率低和路径质量差等问题,提出一种融合语义分割与迁移学习的启发式路径规划算法RU-RRT*。该方法通过训练改进的语义分割网络RUNet,在二维环境中生成路径区域概率图,从而引导采样算法优先在高置信度路径区域内进行采样,显著提高路径搜索的效率。为了实现从二维到三维空间的迁移,设计一种跨维度的迁移学习策略,通过参数迁移与语义一致性约束,将二维模型的能力有效迁移到三维空间,解决三维路径规划中数据稀缺和训练成本高的问题。仿真实验和真实世界实验结果表明,在三维环境中,RU-RRT*算法的路径预测成功率、平均规划时间、平均搜索次数、平均节点数量和平均路径成本这5个关键指标均显著优于对比算法,展现出良好的性能优势。该算法为路径规划提供了一种可靠的解决方案,具有广泛的应用前景。