智能体是实施智能行为的一个载体,它可以是机器人、虚拟游戏角色等等。让智能体拥有真正的智能行为一直都是科研工作者的目标,而路径规划任务是体现智能行为的一个重要环节。常规意义上的智能可以从环境感知、认知以及行为规划等角度进行探讨。其中,感知是指对周围环境的探测,例如智能传感器的信号采集;认知是指对环境信号的解析,例如对图片内容的辨识;行动是指对环境采取的反馈措施,涉及到智能体的决策能力。实际上,路径规划是智能体采取行动的前提,只有规划好了方案,智能体才能安全移动。路径规划的本质是序列决策问题,它的目标是在不碰撞任何障碍物的情况下从初始点到达目标点。本文的研究内容侧重于将视线检测与主流的路径规划算法融合,主要的创新点如下:1.针对低维空间中大尺寸网格地图的规划问题,本文提出一种基于延迟视线检测与局部更新策略的LLA*算法,快速规划出高质量的路径。基于网格的路径规划算法经常用于移动机器人、游戏角色的规划任务,但是这类方法共有的问题是它们规划出的路径往往被限制在网格边,无法找到真正的最短路径。局部更新策略将会优先更新那些可以改进最终结果的节点,从而加快规划速度。另外,延迟的视线检测在改善路径的同时也会避免不必要的碰撞检测,从而减少计算量。本文选取了 Moving AI实验室的路径规划基准测试集进行算法的验证,并且将A*、Theta*、Lazy Theta*与LLA*进行对比,结果显示LLA*算法的速度最快,而且规划出的路径质量优于Lazy Theta*和A*。2.针对高维空间运动规划算法收敛速度慢的问题,本文提出了一种基于延迟视线检测和下限值策略的通用优化框架LaLo-Check,加快规划速度。基于采样的运动规划算法常用于高维的机械臂的运动规划任务,由于避免了对整个构型空间进行建模,它们往往可以快速的规划出可行解。不过,也正是由于随机采样的特性,此类算法往往很难找到最优解。碰撞检测是基于采样的规划算法的瓶颈,而下限值策略的目标是减少不必要的碰撞检测,这其中包括视线检测。本文在OMPL的基础上实现了延迟视线检测框架LaLo-Check,并选择了多种主流的基于采样的规划算法进行评测,最终的结果显示经过延迟视线检测优化后的算法比原始算法更快地收敛到最优解。值得一提的是,LaLo-Check可以应用于大多数具有树结构的基于采样的路径规划算法。3.深度强化学习规划网络能够自主学习规划策略,但很难规划出真正的最优解,本文提出一种路径简化算法LoSS,用来优化规划网络的结果。基于深度强化学习的路径规划网络是近些年来蓬勃发展的研究方向,具有端到端训练的特性,备受推崇。价值迭代网络（VIN）成功的将马尔科夫决策过程的价值迭代求解过程模型化,而门限路径规划网络（GPPN）则用循环神经网络结构改进了 VIN,使网络的学习能力得以增强。但是,由于训练样本的制约,这些网络很难规划出最短路径。为此,本文提出一种基于视线检测的路径简化算法LoSS,用于平滑VIN和GPPN规划出的路径,使最终的路径更短、更直接。