Hoạch định đường đi tối ưu và làm mượt cho Robot di động sử dụng GAN, A*, và nội suy Spline khối
Email tác giả liên hệ:
duchung.pham@utehy.edu.vnDOI:
https://doi.org/10.54644/jte.2026.1970Từ khóa:
Mạng sinh đối kháng, Nội suy spline khối, Mạng nơ-ron, Lập kế hoạch lộ trình robot, Mê cung phức tạpTóm tắt
Bài báo trình bày một phương pháp lập kế hoạch quỹ đạo cho robot di động bằng cách tích hợp Mạng Đối Sinh (GAN) với A* trên lưới. Bộ sinh của GAN lấy mẫu tọa độ vật cản đồng thời áp đặt khoảng hở an toàn 1,0 đơn vị và che (mask) các vùng cấm quanh điểm xuất phát (1,1) và đích (14,14). Không gian làm việc được rời rạc hóa thành lưới 30×30 liên thông 8; A* với heuristic Euclid có khả năng nhất quán cho đường đi tối ưu toàn cục trên lưới, sau đó được chuyển thành quỹ đạo hình học mượt bằng nội suy spline bậc ba. Trên mê cung 15×15 với 60 vật cản, pipeline GAN&A* đạt độ dài đường đi 19,26 đơn vị, cải thiện so với chuẩn SSA (21,8 đơn vị). Để đánh giá khả năng mở rộng, chúng tôi tiếp tục thử nghiệm trên mê cung 20×20 với 120 vật cản. Với cùng mô hình va chạm và cùng bước làm mượt, GAN&A* đạt 28,81 đơn vị, vượt hai bộ lập kế hoạch dựa trên lấy mẫu RRT (30,63 đơn vị) và PRM (30,51 đơn vị). Kết quả cho thấy tổng hợp môi trường có học kết hợp tìm kiếm tối ưu trên lưới tạo ra quỹ đạo tin cậy, ngắn và mượt; trong khi RRT/PRM cần chi phí mẫu lớn hơn (RRT*/PRM*) để tiệm cận chất lượng tương đương.
Tải xuống: 0
Tài liệu tham khảo
I. Goodfellow, J. Pouget-Abadie, and M. Mirza, “Generative adversarial networks,” vol. 63, no. 11, pp. 139–144, Nov. 2020.
A. Creswell, T. White, and V. Dumoulin, “Generative adversarial networks: An overview,” IEEE Signal Processing Magazine, vol. 35, no. 1, pp. 53–65, Jan. 2021.
Y. Chen, Y. Shi, and B. Zhang, “GAN-based environment generation for robot path planning,” IEEE Transactions on Robotics, vol. 38, no. 4, pp. 2356–2372, Aug. 2022.
J. Wang, L. Zhang, and H. Liu, “Path planning with GAN-generated complex environments for mobile robots,” Journal of Ambient Intelligence and Humanized Computing, vol. 14, no. 3, pp. 3421–3435, Mar. 2023.
X. Li, Y. Zhao, and Z. Chen, “Improved GAN for dynamic environment generation in autonomous navigation,” Applied Soft Computing, vol. 115, p. 108234, Jan. 2023.
Q. Zhang, T. Liu, and F. Yang, “Hybrid GAN–A* framework for mobile robot path planning in complex mazes,” Robotics and Autonomous Systems, vol. 149, p. 104123, Jan. 2024.
T. Nguyen, V. Tran, and H. Pham, “Deep generative models for path planning in high-dimensional environments,” Neurocomputing, vol. 514, pp. 128–142, Dec. 2024.
Y. Liu, X. Chen, and Z. Wang, “Advanced GAN for synthetic environment generation in autonomous systems,” IEEE Transactions on Neural Networks and Learning Systems, vol. 36, no. 2, pp. 892–905, Feb. 2025.
J. Park, H. Kim, and S. Lee, “GAN-enhanced path planning with dynamic obstacle avoidance for mobile robots,” vol. 49, no. 1, pp. 123–138, Jan. 2025.
S. Kim, J. Park, and H. Lee, “GAN-based map generation with controlled obstacle distribution for robot navigation,” vol. 12, pp. 45678–45689, 2024.
D. Tran, H. Nguyen, and T. Vu, “Conditional GAN for generating realistic maze environments in robotic navigation,” Journal of Intelligent & Robotic Systems, vol. 110, no. 3, pp. 456–470, 2025.
J. Xue and B. Shen, “A novel swarm intelligence optimization approach: Sparrow search algorithm,” Systems Science & Control Engineering, vol. 8, no. 1, pp. 22–34, 2020, doi: 10.1080/21642583.2019.1708830.
V. H. A. Phan, C. T. Nguyen, D. T. Au, T. D. Phan, M. T. Duong, and M. H. Le, “Vision-based perception for autonomous vehicles in obstacle avoidance scenarios,” in Proc. 17th Int. Conf. Human System Interaction (HSI), Ulsan, Republic of Korea, 2025, pp. 1–7.
C. Liu et al., “PRM-D*: Method for mobile robot path planning,” Sensors, vol. 23, no. 7, p. 3512, 2023, doi: 10.3390/s23073512.
“CERRT: A mobile robot path planning algorithm based on RRT in complex environments,” Applied Sciences, vol. 13, no. 17, p. 9666, 2023, doi: 10.3390/app13179666.
J. Cong et al., “FF-RRT*: A sampling-improved path planning algorithm for mobile robots against concave cavity obstacles,” Complex & Intelligent Systems, vol. 9, pp. 7249–7267, 2023, doi: 10.1007/s40747-023-01111-6.
Tải xuống
Đã Xuất bản
Cách trích dẫn
Giấy phép
Bản quyền (c) 2026 Tạp chí Khoa học Giáo dục Kỹ Thuật
Tác phẩm này được cấp phép theo Giấy phép quốc tế Creative Commons Attribution-NonCommercial 4.0 .
Bản quyền thuộc về JTE.
