融合信念熵风险量化与改进A^*算法的部分可观测环境路径规划

摘要

移动机器人在未知动态环境中行进时，感知不确定性与障碍物随机性常制约着规划的鲁棒性与实时性.本文提出一种融合信念熵风险量化与改进A^*算法的部分可观测环境路径规划框架.首先，将导航任务建模为部分可观测马尔可夫决策过程（POMDP），通过贝叶斯概率推理维护环境信念状态；其次，重构A^*评估函数，引入信念熵作为风险补偿项，实现路径代价与安全增益的协同优化，并结合三阶贝塞尔曲线提升轨迹平滑度.针对大规模地图计算瓶颈，利用KD-tree结构优化邻域搜索，将碰撞检测复杂度由O（n）降至O（log n）.仿真实验表明：在50×50栅格场景下，所提算法平均单步决策时间仅为0.01 s，较POMCP算法提升逾两个数量级；在地图面积扩大9倍的压力测试中，峰值内存占用稳定在0.12 MB，展现了极佳的扩展性.鲁棒性分析显示，在基础故障率Perr=0.5的高噪声环境下，算法仍能保持65%的任务成功率，性能衰减斜率仅为–0.54.可视化结果进一步验证了该框架在平衡避障安全性与目标收敛性方面的技术优势，为不确定环境下无人系统的实时稳健导航提供了有效方案.

关键词

部分可观测马尔可夫决策过程（POMDP） / 路径规划 / 改进A^*算法 / 信念熵 / 风险量化 / KD-tree

基金资助

陕西省教育厅高校工程研究中心资助项目（24JR044）