Цель исследования. Целью настоящей научной работы является проведение комплексного теоретического и аналитического обзора современных алгоритмов машинного обучения, применяемых для решения задач динамического планирования маршрутов мобильных роботов. Основное внимание уделяется сравнительной оценке эффективности различных парадигм обучения: обучения с подкреплением, обучения с учителем и гибридных подходов – в условиях изменяющейся и неопределённой среды, где важна оперативная адаптация, обучаемость и устойчивость алгоритма.

Методы. Исследование основано на анализе более 40 рецензируемых научных публикаций, отобранных из ведущих международных академических баз данных за период с 2020 по 2024 гг. Применялась структурированная методология, включающая описательные, сравнительные и аналитические подходы. В качестве основных критериев оценки использовались: скорость сходимости; вычислительная эффективность; способность к обобщению; устойчивость к шуму; адаптивность к реальному времени и стабильность поведения в изменяющихся условиях.

Результаты. Показано, что табличные алгоритмы обеспечивают базовую навигационную функциональность, но не масштабируются для сложных задач. Глубинные модели обладают высокой степенью адаптивности и эффективности. Обучение с учителем демонстрирует точность при наличии экспертных данных, но уязвимо к накоплению ошибок. Гибридные архитектуры, сочетающие графовые нейросети и символическое моделирование, достигают наилучших показателей интерпретируемости и устойчивости в условиях нестабильной среды.

Заключение. Полученные результаты формируют надёжную теоретическую основу для выбора и применения алгоритмов автономной навигации. Сравнительный анализ подчёркивает ценность гибких, масштабируемых и объяснимых моделей в интеллектуальных робототехнических системах нового поколения.