無人水面艦艇（USV）的即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。
該方法採用全域性路徑規劃器與區域性路徑規劃器相結合的策略。全域性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，其創新之處在於整合了三種演算法：經典Grassfire演算法、一種Grassfire的改進版本（修改了搜尋策略以提高效率），以及一種全新的、更直觀的機率路線圖（Probabilistic Roadmap）變體。這種組合旨在提高路徑搜尋的魯棒性和效率，避免單一演算法的侷限性。
區域性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階決策邏輯的機制：透過持續觀測障礙物相對於USV全域性路徑的運動方向，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，從而更安全高效地透過。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，作者進行了模擬實驗，並與經典的D*演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效能，特別在處理移動障礙物時，能夠更平穩地完成繞行，且路徑更最佳化。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援和實用工具，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演算法在更復雜環境（如多障礙物密集區域）中的擴充套件。研究人員還可以在此基礎上進一步最佳化全域性規劃器的演算法組合，或引入機器學習技術提升區域性決策的適應性。