Improved adaptive wind driven optimization algorithm for real-time path planning

📄 arXiv: 2511.20394v1 📥 PDF

作者: Shiqian Liu, Azlan Mohd Zain, Le-le Mao

分类: cs.RO

发布日期: 2025-11-25

备注: 23 pages, 4 figures

💡 一句话要点

提出多层级自适应风驱动优化算法，提升动态环境下实时路径规划能力

🎯 匹配领域: 支柱三：空间感知 (Perception & SLAM)

关键词: 路径规划 风驱动优化 动态环境 实时性 自适应算法

📋 核心要点

  1. 现有路径规划方法在动态环境下的实时适应性不足，难以生成满足复杂约束的无碰撞、平滑和高效轨迹。
  2. 提出多层级自适应风驱动优化（MAWDO）算法，通过分层引导机制平衡探索和利用，提升算法的适应性和鲁棒性。
  3. 实验结果表明，MAWDO在优化精度、收敛稳定性和适应性方面优于现有算法，并能生成更优的动态路径。

📝 摘要（中文）

近年来，路径规划通过启发式和学习驱动的优化框架在增强全局搜索能力和收敛精度方面取得了显著进展。然而，在动态环境中，实时适应性仍然是自主导航的关键挑战，尤其是在机器人必须在复杂约束下生成无碰撞、平滑和高效轨迹时。通过分析动态路径规划中的难点，风驱动优化（WDO）算法因其物理可解释的搜索动态而成为一个有前景的框架。基于这些观察，本文重新审视了WDO原理，并提出了一种变体公式，即多层级自适应风驱动优化（MAWDO），以提高时变环境中的适应性和鲁棒性。为了减轻不稳定性和早熟收敛，一种分层引导机制将种群划分为多个组，这些组由个体、区域和全局领导者引导，以平衡探索和利用。在十六个基准函数上的广泛评估表明，MAWDO在优化精度、收敛稳定性和适应性方面优于最先进的元启发式算法。在动态路径规划中，MAWDO将路径长度缩短至469.28像素，比多策略集成风驱动优化（MEWDO）、自适应风驱动优化（AWDO）和WDO分别提高了3.51%、11.63%和14.93%，并实现了最小的最优性差距（1.01），平滑度为0.71，而AWDO和WDO分别为13.50和15.67，从而产生了更平滑、更短和无碰撞的轨迹，证实了其在复杂环境中实时路径规划中的有效性。

🔬 方法详解

问题定义：论文旨在解决动态环境下机器人实时路径规划问题。现有方法在复杂约束下难以保证路径的无碰撞性、平滑性和效率，尤其是在环境随时间变化时，算法的适应性和鲁棒性面临挑战。现有风驱动优化算法容易陷入局部最优，收敛速度慢，难以满足实时性要求。

核心思路：论文的核心思路是改进风驱动优化（WDO）算法，使其更适应动态环境。通过引入多层级引导机制，平衡算法的探索能力和利用能力，避免早熟收敛，提高全局搜索能力。同时，自适应调整算法参数，以适应环境的变化，提高鲁棒性。

技术框架：MAWDO算法的技术框架主要包括以下几个阶段：1) 初始化种群：随机生成一组候选路径；2) 分层引导：将种群划分为多个组，分别由个体、区域和全局领导者引导；3) 风驱动优化：每个个体根据风力作用更新位置，搜索更优路径；4) 自适应调整：根据环境变化和算法性能，自适应调整算法参数；5) 迭代优化：重复步骤2-4，直到满足停止条件。

关键创新：MAWDO算法的关键创新在于多层级引导机制。该机制将种群划分为多个组，每个组由不同层级的领导者引导，从而在探索和利用之间取得平衡。个体领导者负责局部搜索，区域领导者负责区域搜索，全局领导者负责全局搜索。这种分层结构可以有效避免算法陷入局部最优，提高全局搜索能力。

关键设计：MAWDO算法的关键设计包括：1) 分层引导机制的具体实现方式，包括领导者的选择和引导策略；2) 自适应调整算法参数的策略，例如惯性权重、学习因子等；3) 路径平滑性的评价指标，例如曲率、长度等；4) 碰撞检测方法，确保生成的路径是无碰撞的。

📊 实验亮点

实验结果表明，MAWDO算法在动态路径规划中表现出色，路径长度缩短至469.28像素，相比MEWDO、AWDO和WDO分别提高了3.51%、11.63%和14.93%。同时，MAWDO算法的最优性差距最小（1.01），平滑度为0.71，显著优于AWDO（13.50）和WDO（15.67），表明MAWDO能够生成更平滑、更短和无碰撞的轨迹。

🎯 应用场景

该研究成果可应用于各种需要实时路径规划的机器人系统，例如自动驾驶汽车、无人机、移动机器人等。通过生成无碰撞、平滑和高效的轨迹，可以提高机器人的自主导航能力和安全性，使其能够在复杂和动态的环境中安全可靠地运行。此外，该算法还可以应用于其他优化问题，例如资源调度、任务分配等。

📄 摘要（原文）

Recently, path planning has achieved remarkable progress in enhancing global search capability and convergence accuracy through heuristic and learning-inspired optimization frameworks. However, real-time adaptability in dynamic environments remains a critical challenge for autonomous navigation, particularly when robots must generate collision-free, smooth, and efficient trajectories under complex constraints. By analyzing the difficulties in dynamic path planning, the Wind Driven Optimization (WDO) algorithm emerges as a promising framework owing to its physically interpretable search dynamics. Motivated by these observations, this work revisits the WDO principle and proposes a variant formulation, Multi-hierarchical adaptive wind driven optimization(MAWDO), that improves adaptability and robustness in time-varying environments. To mitigate instability and premature convergence, a hierarchical-guidance mechanism divides the population into multiple groups guided by individual, regional, and global leaders to balance exploration and exploitation. Extensive evaluations on sixteen benchmark functions show that MAWDO achieves superior optimization accuracy, convergence stability, and adaptability over state-of-the art metaheuristics. In dynamic path planning, MAWDO shortens the path length to 469.28 pixels, improving over Multi-strategy ensemble wind driven optimization(MEWDO), Adaptive wind driven optimization(AWDO) and WDO by 3.51\%, 11.63\% and 14.93\%, and achieves the smallest optimality gap (1.01) with smoothness 0.71 versus 13.50 and 15.67 for AWDO and WDO, leading to smoother, shorter, and collision-free trajectories that confirm its effectiveness for real-time path planning in complex environments.