基于YOLOv5与改进遗传算法的动态路径规划方法研究

基于YOLOv5与改进遗传算法的动态路径规划方法研究

摘要

随着人工智能与机器人技术的飞速发展，能够在复杂、动态环境中进行自主导航与路径规划的智能系统成为了研究热点。传统路径规划方法在静态环境中表现良好，但在面对动态、未知的障碍物时，其适应性和实时性往往不足。本文提出一种融合计算机视觉与改进遗传算法的混合路径规划框架。该框架首先利用YOLOv5目标检测算法对环境的实时图像进行感知，快速、准确地识别出动态与静态障碍物，并将其位置、类别信息转化为规划空间的语义信息。在此基础上，针对标准遗传算法（GA）在路径规划中存在的早熟收敛、局部搜索能力差等问题，提出了一系列改进策略，包括：基于环境语义信息的自适应初始化种群策略、结合模拟退火思想的动态变异算子、以及引入精英保留与灾变机制。通过栅格法构建环境模型，将YOLOv5感知到的动态信息实时更新到地图中。仿真实验结果表明，与传统遗传算法、A*算法等相比，本方法在动态环境中能够规划出更安全、平滑且长度更优的路径，同时表现出更强的环境适应性和鲁棒性，为解决动态路径规划问题提供了一种有效的解决方案。

关键词： 路径规划；YOLOv5；遗传算法；计算机视觉；动态环境；目标检测

---

1. 引言

路径规划是移动机器人、自动驾驶车辆等自主系统的核心关键技术之一。其本质是在具有障碍物的环境中，按照某一性能指标（如路径最短、时间最少、能耗最低等）寻找一条从起始点到目标点的无碰撞安全路径。根据环境信息的已知程度，路径规划可分为全局规划（环境信息完