.png){kind=icon}
返回
A multi-agent contextual memory-driven optimization framework with deep learning and intent-aware coordination for mobile robot path planning
.png){kind=icon}
PRE
AI
DOI：10.1007/s12065-026-01203-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
移动自主机器人在变化环境中的导航需要以安全、平滑和可适应的方式规划路径。传统优化、采样和学习型方法分别处理了各自的特征属性，但无法联合保证可扩展性、鲁棒性和意图感知协调。本研究提出了一种协作图基导航与意图感知机器人（COGNIRobots）的综合方法，该方法整合了多感官交叉注意力融合、基于memformer的情景记忆、混合Revobuilder优化器、意图感知图注意力网络以及协作门控双向长短时记忆基的轨迹生成，以解决传统技术的局限性。该建议框架在具有大量障碍物的四种测试环境中与多个最新方法进行了评估。根据实验结果，COGNIRobot在熟练度和可靠性方面显著优于传统基线方法。它实现了97.3%的准确率和0.81的独特交并比（MIoU），提供了平均12-15%更短的路径，将碰撞率降低至3.5%，并将总体成本降低至平均0.95。此外，与常规基线相比，COGNIRobots框架实现了显著更低的平均路径方差（0.21）和平均路径延迟（0.95 s），展示了其在各种场景中的鲁棒性。结果表明，整合基于记忆的适应性、多模态集成和意图感知协调有助于促进现实环境中的多机器人导航。
Keyword:
Mobile robot navigation
Intent-aware path planning
Multi-headed graph attention
Bidirectional long-short term memory
Memformer
Visual data
期刊
IF:
2.6
论文数:
120
被引数:
2.0K
机构
引用论文
Waga, A.; Benhlima, S.; Bekri, A.; Abdouni, J.; Saber, F.Z. A survey on autonomous navigation for mobile robots: From traditional techniques to deep learning and large language models. J. King Saud Univ. Comput. Inf. Sci. 2025, 37, 198. [Google Scholar] [CrossRef]Waga, A.; Benhlima, S.; Bekri, A.; Abdouni, J.; Saber, F.Z. 移动机器人自主导航综述：从传统技术到深度学习和大语言模型. J. King Saud Univ. Comput. Inf. Sci. 2025, 37, 198. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏Autonomous Mobile Robot Path Planning Techniques—A Review: Classical and Heuristic TechniquesIEEE Access
IEEE AccessIF0
PREAI
分享收藏Human Following and Guidance by Autonomous Mobile Robots: A Comprehensive Review自主移动机器人的人类跟随和指导: 综合评述IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏分享收藏A Q-learning-based hybrid search algorithm integrating PRM and ACO for 3D UAV path planning集成PRM和ACO的q-learning混合搜索算法在三维无人机航迹规划中的应用Scientific Reports
OAAI
Scientific ReportsIF3.9
OAAI分享收藏Deep Reinforcement Learning of Mobile Robot Navigation in Dynamic Environment: A Review动态环境下移动机器人导航的深度强化学习：综述Sensors
SensorsIF0
PREAI
分享收藏
查看更多内容