根據「Nature」的報導，在智慧機器人導航與路徑規劃領域，研究人員正積極尋求更精準、更高效的解決方案。近期一項研究聚焦於此挑戰，並提出了一種結合模糊神經網路（FNN）與遺傳演算法（GA）的創新方法。

該研究首先著重於提升機器人在複雜環境中的導航精度。研究人員採用了模糊神經網路演算法，透過其模糊邏輯的決策能力和神經網路的學習特性，使機器人能夠更準確地感知環境並調整自身姿態，從而提高導航的可靠性。

實驗數據顯示，基於模糊神經網路的智慧機器人導航精度顯著提升，達到了98.64%。

其次，該研究關注於優化機器人的路徑規劃效率。研究人員利用遺傳演算法的全局搜索能力和優化特性，旨在為機器人在複雜環境中尋找到耗時最短、效率最高的導航路徑。透過模擬生物進化中的選擇、交叉和變異等過程，遺傳演算法能夠在龐大的搜索空間中快速收斂到近似最優解，確保機器人能夠在最短的時間內完成導航任務。

實驗結果顯示，相較於其他方法，基於模糊神經網路與遺傳演算法的模型在路徑規劃方面展現出更高的效率和更短的規劃時間。

為了驗證所提出方法的優越性，研究團隊進行了對比實驗，將整合模糊神經網路的導航方法與整合反向傳播神經網路（BPNN）、自組織映射網路（SOM）以及適應性共振理論神經網路（ART）的導航方法進行了比較。

而實驗數據也清楚顯示，基於模糊神經網路的智慧機器人在導航精度和誤差角度偏差方面均表現出更優異的性能，其最小誤差角度偏差僅為1.52%。

這項研究透過將模糊神經網路應用於導航精度提升，並利用遺傳演算法優化路徑規劃效率，為智慧機器人在複雜環境下的自主移動能力提供了新的技術途徑。