У цій статті представлено інноваційний підхід, заснований на алгоритмі A*, який містить кілька ключових модифікацій для значного підвищення його функціональності та ефективності в автономній навігації автомобіля. Підхід надає пріоритет безпеці та дотриманню правил дорожнього руху шляхом інтеграції алгоритму A* з механізмом, який контролює безпечну відстань до перешкод. Крім того, введено компонент згладжування траєкторії. Цей компонент покращує кінцевий шлях, створюючи більш плавну та комфортну траєкторію. Виявлення небезпечних ділянок траєкторії є ще одним фундаментальним аспектом запропонованого підходу. Досягається це шляхом застосування кластеризації методом k-середніх, потужного методу машинного навчання. Завдяки кластеризації сегментів траєкторії система може розпізнавати критичні ситуації, такі як різкі повороти та рух смугою зустрічного руху. Виявлення цих сегментів дозволяє вживати проактивних коригувальних дій для перетворення потенційно небезпечних сценаріїв на безпечніші альтернативи. Одним із революційних елементів підходу є впровадження технології навчання з підкріпленням (Reinforcement Learning – RL). Спеціальна модель RL адаптується до динамічних перешкод у режимі реального часу, підвищуючи здатність системи швидко й ефективно реагувати на несподівані ситуації на дорозі. Ця адаптивність є ключовим фактором, що робить автономні логістичні системи більш безпечними та універсальними. Таким чином, метод пропонує комплексне та інтелектуальне рішення для планування маршруту в автономних кіберфізичних логістичних системах. Поєднуючи алгоритм A* із найсучаснішими методами уникнення перешкод, згладжування траєкторії, визначення небезпеки та адаптивності RL, прокладається шлях до безпечнішої, ефективнішої та адаптивнішої автономної логістики. Цей підхід має потенціал для революції в галузі транспортування та доставки, пропонуючи переконливе бачення майбутнього, де автономні транспортні засоби рухатимуться дорогами з найвищим рівнем безпеки, відповідності та ефективності.