基于自适应蜘蛛蜂优化器的多机器人系统障碍物感知路径规划研究

本文针对多机器人路径规划中存在的避障效率低、路径平滑性差等问题，提出了一种自适应蜘蛛蜂优化器（ASWO）算法。研究通过模拟多目标环境，综合考虑路径长度、平滑度及避障能力，显著提升了多机器人协同导航的效能。实验表明，ASWO在路径适应度（1.795）和平滑度（91.121%）上均优于传统算法，为复杂环境下机器人自主导航提供了新思路。

在当今自动化技术飞速发展的时代，移动机器人已成为工业物流、灾害救援和太空探索等领域不可或缺的智能载体。然而，如何让多个机器人在充满障碍物的复杂环境中自主、高效且安全地导航，始终是制约其广泛应用的核心难题。传统的路径规划方法往往难以在路径长度、平滑度和实时避障之间取得理想平衡，尤其在动态多变的应用场景中，机器人容易陷入局部最优解或发生碰撞风险。

发表于《Journal of Mobile Multimedia》的研究论文《Obstacle-Aware Path Planning in Multi-Robot Systems Using Adaptive Spider Wasp Optimization》提出了一种创新性的解决方案——自适应蜘蛛蜂优化器（Adaptive Spider Wasp Optimizer, ASWO）。该算法通过模拟蜘蛛蜂的狩猎、筑巢和交配行为，引入自适应机制动态调整搜索策略，有效协调全局探索与局部优化过程，为多机器人系统提供了一条更智能的路径规划途径。

为验证ASWO的效能，研究团队首先构建了包含静态障碍物和多目标的仿真环境，并定义了三大优化目标：路径长度、路径平滑度和障碍物回避能力。其中，路径长度通过机器人当前位置与目标位置间的欧氏距离累加计算；路径平滑度由机器人转向角之和量化；障碍物回避则综合考量静态与动态障碍物的影响。算法通过加权融合这三类指标形成适应度函数，以此评估路径质量的优劣。

在技术方法上，作者主要采用以下核心思路：首先通过模拟环境生成多机器人协同场景；其次将蜘蛛蜂优化器（SWO）与自适应参数控制机制结合，设计出ASWO算法；最后利用该算法对路径规划问题进行多目标优化，并通过对比实验验证其性能。

研究结果部分通过系统实验展示了ASWO的卓越性能。在固定障碍物与单目标场景下，ASWO取得的路径适应度值达1.795，显著高于IPSO（1.338）、GLS（1.434）等对比算法。同时，其路径长度仅为897.883公里，路径平滑度高达91.121%，体现出更短、更顺滑的导航轨迹。而在多目标场景中，ASWO同样表现出色，适应度提升至1.818，路径长度降至1052.695公里，验证了算法在不同任务复杂度下的强鲁棒性。

性能分析显示，随着迭代次数增加，ASWO的导航速度与避障成功率均稳步提升。当机器人数量为6、迭代达100次时，速度可达22.29米/秒，避障成功率为0.903。 scalability分析进一步表明，ASWO在7-12台机器人的大规模场景中仍保持较低运行时延（从3.65秒至9.00秒），远超IPSO（12.38-19.85秒）等传统方法。

在计算资源消耗方面，ASWO展现出明显优势。当机器人数量为6时，其计算时间仅需13.37秒，内存占用为34.36MB，显著低于其他算法。这得益于其自适应机制对搜索过程的优化，避免了不必要的计算开销。

结论部分指出，ASWO通过生物启发式优化与自适应控制的结合，有效解决了多机器人路径规划中的局部最优、动态避障和多目标权衡等问题。其创新性在于将蜘蛛蜂的自然行为转化为可计算的优化操作，并通过线性衰减机制实现搜索策略的动态调整。尽管当前研究基于二维静态环境，但为未来扩展至三维动态场景、非平坦地形及更大规模机器人集群奠定了基础。研究者建议后续可引入Pareto前沿优化进一步处理多目标冲突问题，推动自主导航技术向更复杂应用场景迈进。