Para abordar a falta de consciência das regiões transponíveis em algoritmos de planejamento de caminho convencionais para robôs que cruzam obstáculos, um método de planejamento de caminho adaptativo é proposto. Primeiro, um modelo de ambiente consciente de trajetória é construído introduzindo regiões transponíveis graduadas com custos de travessia físicos associados. Para navegar efetivamente por esse modelo complexo, uma estrutura híbrida de Otimização por Colônia de Formigas (ACO) integrando Pesquisa de Ponto de Salto (JPS) e o Algoritmo Genético (GA) é desenvolvida. Especificamente, uma estratégia de poda inspirada no JPS é incorporada ao processo de transição de estado para reduzir significativamente a expansão de nós redundantes. Crucialmente, operadores genéticos—ou seja, cruzamento e mutação—são incorporados dentro do loop iterativo principal do ACO para sustentar dinamicamente a diversidade populacional e mitigar efetivamente a estagnação em ótimos locais. Correspondentemente, a inicialização de feromônios, mecanismos de transição de estado e regras de atualização são redesenhados para incorporar as capacidades de travessia de obstáculos do robô. A estrutura é ainda complementada por operações de otimização de caminho que reduzem pontos de virada desnecessários. Extensos experimentos de simulação demonstram que o método proposto supera algoritmos convencionais baseados em ACO e métodos clássicos de planejamento de caminho. Em particular, alcança uma redução média de 11,1% no comprimento do caminho e de 65,5% no número de pontos de passagem, garantindo ao mesmo tempo uma coordenação efetiva com as capacidades físicas de travessia do robô. Esses resultados validam a eficiência de busca superior, robustez e aplicabilidade prática da abordagem proposta.
Zhao et al. (Sun,) estudaram essa questão.