MMP-A*：多模态感知增强的递增启发式搜索路径规划
人工智能
2026-01-23 v2
摘要
自动路径规划需要全局推理与几何精确之间的协同，尤其是在复杂或拥挤的环境中。虽然经典 A* 因其最优性受到青睞，但在大规模场景下会产生巨大的计算和内存成本。最近尝试使用大型语言模型提供路径点指导的做法仍不够，因其仅依赖文本推理，缺乏空间 grounding。结果是，这类模型常在拓扑复杂、存在死角的环境中生成错误的路径点，且缺乏解释模糊物理边界的感知能力。这种不一致导致代价高昂的纠正扩张，削弱了原本 intended的计算效率。我们引入了 MMP-A*，一种多模态框架，集成了视觉语言模型的空间 grounding 能力，以及一种新型自适应衰减机制。通过将高层推理锚定在物理几何上，该框架产生连贯的路径点指导，解决了仅文本规划器的局限性。自适应衰减机制动态调节不确定路径点的启发式影响，确保几何有效性的同时，显著降低了内存开销。为评估鲁棒性，我们在具有严重拥挤和拓扑复杂性的环境中进行了测试。实验结果表明，MMP-A* 能实现接近最优的轨迹，同时显著降低了运行成本，展示了其作为感知锚定且计算高效的自主导航范式的潜力。
引用
@article{arxiv.2601.01910,
title = {MMP-A*: Multimodal Perception Enhanced Incremental Heuristic Search on Path Planning},
author = {Minh Hieu Ha and Khanh Ly Ta and Hung Phan and Tung Doan and Tung Dao and Dao Tran and Huynh Thi Thanh Binh},
journal= {arXiv preprint arXiv:2601.01910},
year = {2026}
}