军事单位常需在城市环境中机动，既要完成运动又要最大限度降低被监控系统探测的风险。本项目旨在开发一种自动化路径规划模型，在给定起点、终点及已知监控威胁清单的条件下，最小化监控探测概率。我们利用OpenStreetMap的开源数据构建涵盖步行、骑行与驾车交通网络的多层图，将监控设备风险按距离加权，并由用户自定义风险优先级进行建模。所采用的标号设定算法在考虑现实交通方式转换限制的同时，兼顾行程时间与风险的最小化。模型可根据用户需求调整，输出在隐蔽性与速度间取得平衡的路线。本研究通过提出并演示一种面向对抗环境下多模态路径规划的新型概念验证框架，为路径规划知识体系增添了新的内容。

将己方部队在正确时间部署至正确位置以遂行军事行动，其基础在于机动。准时抵达决战要点，离不开快速而有秩序的机动（美国陆军部，2023）。除穿越居民区伴随的典型危险外，闭路电视、自动车牌识别及射频探测器等监控技术的日益广泛使用，进一步加剧了在对抗区域机动的复杂度。在传统城市环境下，面对此类威胁进行路径规划是一项艰巨任务——评估环境、定位威胁、识别潜在接近路线并择优选取，所需时间随所穿越城市环境规模呈比例增长。本文提出一种自动化路径规划流程，在兼顾威胁与行程时间的同时，充分利用多模态交通方式。该模型接收起点、终点与监控威胁清单，输出最安全路线、最快路线，以及一条平衡隐蔽性与速度、可遍历步行、骑行与驾车网络的折中路线。

本研究的核心概念是多模态交通网络路径规划与对抗性网络路径规划。两类主题各自已有文献积累，而本研究的新颖之处在于将"对抗性网络中的多模态路径生成"二者结合。

多模态路径规划

A∗算法（Hart, Nilsson, & Raphael, 1968）等经典图路径规划算法并不直接适用于多模态交通网络——后者在单一网络中集成了多种出行方式。在传统最短路径问题中，经典算法假定每个节点关联单一代价，且边权仅取决于路径中当前节点与边。反之，多模态交通系统中的出行代价与路径可行性，还取决于当前交通方式及转换惩罚等附加因素。因此，多模态网络中的路径规划涉及寻找具有合理方式转换序列的最短路径（Bast et al., 2016）。

如Bast等人（2016）所述，多模态网络通常采用多层图结构，每层代表单一交通方式对应的网络，层间链接代表方式转换。为遍历此类图，多模态路径规划常被表述为资源约束最短路径问题的变体，其路径可行性取决于沿路径累积的资源消耗。Irnich与Desaulniers（2005）指出，标号设定算法常用于求解此类问题；Ma（2014）在此基础上扩展，提出了一种基于A∗算法加速技术的标号设定算法。

对抗性网络路径规划

对抗环境下的路径规划将最优路径寻找问题扩展至敌方能够影响并干扰机动的场景。经典路径规划中，规划者通常优化距离、时间或成本；对抗性网络通过引入风险改变了这一思路，风险会影响候选路线的可取性。由此，优化目标从单准则转向多准则，即在效率与威胁暴露间取得平衡。近期若干研究从军事视角探讨了对抗性网络中的路径生成：Hernon等人（2025）对比了两种用于军事后勤、在时间与风险间权衡的对抗网络遍历路径生成算法，将风险定义为敌方行动因己方部队受损足够严重而阻断机动的概率；类似地，Kendall、Killian与Koch（2023）提出了一种方法，在给定起讫点与近似搜寻者位置条件下，基于高程与植被GIS数据构建的网络上寻找最短路径，并根据规避方与搜寻者的距离、植被遮挡及规避方运动方式定义探测概率。这些方法展示了如何通过定义风险并将其纳入目标函数，将经典最短路径问题扩展至对抗性网络。