Multi-Strategy Enhanced COA for Path Planning in Autonomous Navigation

要約

自律的なナビゲーションは、複雑な環境で効率的で安全な動きを可能にすることにより、人々の生活のさまざまなドメインを再構築しています。
信頼できるナビゲーションには、タスク固有の制約を満たし、障害物の回避を確保しながら、最適またはほぼ最適な軌跡を計算するアルゴリズムアプローチが必要です。
ただし、既存の方法は、特に複雑な環境では、ゆっくりとした収束と準最適なソリューションと闘い、実際の適用性を制限しています。
これらの制限に対処するために、このペーパーでは、マルチ戦略強化ザリガニ最適化アルゴリズム（MCOA）、3つの重要な戦略を統合する新しいアプローチを紹介します。
品質。
経験的評価は、3D無人航空機（UAV）と2Dモバイルロボットパス計画の両方におけるMCOAの驚くべき計画速度と驚くべきソリューション品質を強調しています。
11のベースラインアルゴリズムに対して、MCOAは計算時間を69.2％削減し、3D UAVシナリオの全体的なパスコストを最小化する16.7％の改善を達成しました。
さらに、2Dパス計画では、MCOAはベースラインアプローチを平均44％上回り、最大60*60グリッド設定では75.6％の優位性を高めました。
これらの調査結果は、MCOAを複雑な環境で自律的なナビゲーションを最適化するための強力なツールとして検証しています。
ソースコードは、https：//github.com/coedv-hub/mcoaで入手できます。

要約(オリジナル)

Autonomous navigation is reshaping various domains in people’s life by enabling efficient and safe movement in complex environments. Reliable navigation requires algorithmic approaches that compute optimal or near-optimal trajectories while satisfying task-specific constraints and ensuring obstacle avoidance. However, existing methods struggle with slow convergence and suboptimal solutions, particularly in complex environments, limiting their real-world applicability. To address these limitations, this paper presents the Multi-Strategy Enhanced Crayfish Optimization Algorithm (MCOA), a novel approach integrating three key strategies: 1) Refractive Opposition Learning, enhancing population diversity and global exploration, 2) Stochastic Centroid-Guided Exploration, balancing global and local search to prevent premature convergence, and 3) Adaptive Competition-Based Selection, dynamically adjusting selection pressure for faster convergence and improved solution quality. Empirical evaluations underscore the remarkable planning speed and the amazing solution quality of MCOA in both 3D Unmanned Aerial Vehicle (UAV) and 2D mobile robot path planning. Against 11 baseline algorithms, MCOA achieved a 69.2% reduction in computational time and a 16.7% improvement in minimizing overall path cost in 3D UAV scenarios. Furthermore, in 2D path planning, MCOA outperformed baseline approaches by 44% on average, with an impressive 75.6% advantage in the largest 60*60 grid setting. These findings validate MCOA as a powerful tool for optimizing autonomous navigation in complex environments. The source code is available at: https://github.com/coedv-hub/MCOA.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google