본 논문은 복잡하고 역동적인 환경에서 자율 시스템에 대한 수요 증가에 따라 중요해진 지능형 경로 계획 방법론에 대한 종합적인 검토를 제공합니다. 수십 년 동안 그래프 기반 탐색 알고리즘, 선형 계획 기법 및 진화적 계산 방법이 이 분야의 기본적인 접근 방식으로 사용되어 왔습니다. 최근 딥 강화 학습(DRL)이 자율 에이전트가 환경과의 상호 작용을 통해 최적의 탐색 전략을 학습할 수 있도록 하는 강력한 방법으로 등장했습니다. 본 논문은 자율 주행 차량, 드론 및 로봇 플랫폼에 중점을 두고 기존 접근 방식과 경로 계획 작업에 적용된 DRL의 최근 발전에 대한 포괄적인 개요를 제공합니다. 기존 패러다임과 학습 기반 패러다임 모두의 주요 알고리즘을 분류하고, 그 혁신과 실제 구현을 강조합니다. 이어서 계산 효율성, 확장성, 적응성 및 강건성 측면에서 각각의 강점과 한계에 대해 자세히 논의합니다. 마지막으로 주요 미해결 과제를 파악하고 미래 연구를 위한 유망한 방향을 제시합니다. 학습 기반 적응성과 결정론적 신뢰성의 이점을 활용하기 위해 DRL과 고전적인 계획 기법을 통합하는 하이브리드 접근 방식에 특별한 주의를 기울이며, 강력하고 탄력적인 자율 탐색을 위한 유망한 방향을 제시합니다.
