本文提出一个集成人工智能驱动的框架，该框架将语义分割与深度强化学习相统一，旨在实现以复杂地形和对抗性威胁为特征的战场环境中的战术寻路。由侦察无人机采集的高分辨率航拍图像，通过一个轻量级但精确的分割模型进行处理，将地形分类为十一种作战类别，例如道路、森林、稻田和限制区域。生成的语义图被转换为一个成本加权势场，其中每种地形被赋予反映其对机动性和任务风险影响的通行权重。随后，训练一个深度Q网络（DQN）智能体，通过选择适当的排斥势系数来优化其导航策略，以最小化环境加权旅行时间，同时自适应地避开不可通行区域和预测的敌方区域。通过与环境的持续交互，智能体自适应地调整其排斥势系数，以确保效率与安全性。实验结果表明，所提框架在路径效率和威胁规避方面优于传统寻路方法，为自主军事机动中的实时决策提供了一个实用且可扩展的解决方案。

在复杂且不确定地形中实现战斗车辆的高效机动性[1][2]，是现代军事行动成功的关键因素。从出发点到指定目的地的战术机动，通常在国防建模与仿真（M&S）[3]框架[4]中进行建模。常规的地面机动仿真遵循一个顺序过程：(1) 下达机动指令；(2) 分析地形、障碍物和对抗性威胁等约束条件；(3) 采用最短路径算法[5]计算候选航路点；(4) 通过对基础速度应用取决于地形和单位的修正因子来调整车辆速度；(5) 在仿真中执行机动。这些模型旨在最小化旅行时间，同时提高生存能力和任务效能。

在过去的几十年中，大量研究集中于优化寻路算法。基于图的方法，如迪杰斯特拉算法[6]和启发式驱动的A算法[7]已被广泛采用，并有许多针对智能环境和自主导航的改进版本。例如，基于网格和基于采样的变体已被应用于结构化的农业领域，而改进的迪杰斯特拉方法则尝试同时减少路径长度和定位误差。最近，深度学习的出现催生了路径规划的新方向。深度神经网络（DNN）[8][9][10][11][12]已在实时机器人导航[8][9]中证明了其有效性，并且将深度学习集成到RRT框架中，也显示出搜索效率和适应性的提升[13]。

尽管取得了这些进展，但大多数现有方法是为民用或通用机器人应用设计的，因此未能完全满足军事特定需求。地形导致的速度可变性、战备相关的机动性以及动态威胁规避等关键因素仍未得到充分体现。此处，战备相关的机动性指的是车辆运动速度随作战环境战术状态的变化，在预测的敌方影响区域内运作的单位必须降低速度，以体现更高的警惕性和潜在的接敌准备，这反映了现实世界军事条令中行进、行进掩护和跃进掩护队形之间的转换。然而，这些因素对于现实的战术机动规划至关重要，在事关重大的国防场景中不容忽视。

为弥补这些不足，我们提出一个专为军事行动设计的集成人工智能驱动的寻路框架。该框架将语义分割与深度强化学习（DRL）[14]相结合，以实现环境感知决策。利用轻型分割模型处理侦察无人机采集的高分辨率航拍图像，将地形分类为与作战相关的类别。生成的语义图被转换为成本加权势场，其中通行权重直接反映机动约束和任务风险。此外，以预测敌方区域为中心的排斥势由一个DRL智能体进行自适应调节，该智能体学习优化排斥系数，以在保持作战安全的同时最小化旅行时间。

本研究的主要贡献总结如下：

• 针对现有分割模型与路径优化脱节的问题，我们通过将语义分割与强化学习耦合，实现感知到决策的整合，使战术决策能直接反映环境感知。
• 针对基于图的方法无法捕捉地形导致的速度可变性的问题，我们通过引入特定地形速度衰减因子和对抗区域附近的自适应排斥势，整合了机动约束的真实建模。
• 针对基于学习的方法缺乏显式对抗威胁建模的问题，我们通过一个DQN智能体实现自适应路径规划，该智能体能根据变化的对抗和环境条件自适应调整策略。
• 针对传统仿真未嵌入地形语义的问题，我们通过将地形语义和战备因素嵌入机动规划，增强了国防M&S系统的逼真度，从而提供更真实的仿真。

本文其余部分结构如下。第二节回顾了寻路与机动规划的相关研究。第三节介绍了所提系统和方法论。第四节详述了实验设置，而第五节则报告并讨论了结果。最后，第六节对全文进行总结并概述了未来研究的潜在方向。