無人水面艦艇（USV）的實時避障問題近年來受到廣泛關注，尤其是針對固定障礙物（如碼頭、礁石）和移動障礙物（如船隻、游泳者、其他USV）的規避策略。儘管已有諸多方法，但這兩類問題仍面臨挑戰。特別是移動障礙物的規避，由於障礙物運動的不確定性，傳統方法往往效率低下且不夠安全。近日，Daniel G. Schwartz在一篇發表於《AI Insights》的論文中提出了新穎的路徑規劃解決方案，該論文已被arXiv收錄（編號：2607.01631），為USV自主導航提供了全新思路。
該方法採用全局路徑規劃器與局部路徑規劃器相結合的策略。全局規劃器負責在已知固定障礙物環境中規劃從起點到終點的路徑，其創新之處在於集成了三種算法：經典Grassfire算法、一種Grassfire的改進版本（修改了搜索策略以提高效率），以及一種全新的、更直觀的概率路線圖（Probabilistic Roadmap）變體。這種組合旨在提高路徑搜索的魯棒性和效率，避免單一算法的侷限性。
局部規劃器則專注於規避移動障礙物及未知的固定障礙物。其核心創新在於一種基於高級決策邏輯的機制：通過持續觀測障礙物相對於USV全局路徑的運動方向，系統能夠自主選擇最佳避障策略。與常見方法（如與障礙物平行行駛直至找到空隙）不同，該邏輯引導USV系統性地繞到障礙物後方，從而更安全高效地通過。這種策略類似於人類駕駛中的“繞後”操作，能有效減少碰撞風險。
為驗證方法有效性，作者進行了仿真實驗，並與經典的D*算法及其他動態路徑規劃系統進行了對比。實驗結果在論文中以圖表形式展示，詳細分析了不同場景下的路徑長度、計算時間和成功率。結果表明，新方法在多種場景下均表現出更優的性能，特別在處理移動障礙物時，能夠更平穩地完成繞行，且路徑更優化。論文還討論了D*等系統因無法主動繞至障礙物後方而導致的路徑低效問題。
該研究為USV自主導航提供了新的理論支持和實用工具，有望在海洋監測、搜救、軍事偵察等領域發揮重要作用。未來工作可能包括實際水域測試以及算法在更復雜環境（如多障礙物密集區域）中的擴展。研究人員還可以在此基礎上進一步優化全局規劃器的算法組合，或引入機器學習技術提升局部決策的適應性。