在高端设备制造领域，机器人若要在更广泛的现实环境中成功应用，安全可靠且快速变化的导航能力至关重要。然而，过去几十年里，尽管机器人专家和计算机科学家引入了多种计算技术用于机器人导航，但许多技术在动态、混乱或路径狭窄的环境中表现欠佳。

近日，中国浙江大学湖州研究院的研究人员取得重要进展，推出了一种基于深度神经网络和经典优化技术的机器人导航新方法，相关方案发表于《科学机器人》杂志，旨在人工复制人类的寻路能力。

论文第一作者韩志超向 Tech Xplore 表示，研究动机是开发一种轨迹规划器，能在任意复杂环境中稳健运行，同时尊重机器人的非完整约束。研究团队从人类推理中获取灵感，人类通常能直观识别复杂环境中的大致路径，即便该路径并非最优或完全安全。为此，他们实现了一个轻量级神经网络来模拟这一过程。

不过，人工神经网络虽在多种任务中表现良好，但预测结果通常难以解释，且许多基于这些网络的技术难以在广泛场景中推广。为克服这些局限，韩志超及其同事将深度神经网络与新开发的时空轨迹优化器相结合，进一步优化神经网络生成的轨迹和路径。

韩教授介绍，该团队提出的分层规划框架有两个关键目标。一是在初始路径规划阶段利用基于学习的方法，重现人类“立即”掌握环境中可行路线的能力，确保规划时间稳定可预测;二是确保神经网络生成的初始路径能转换为真实机器人可执行的平滑运动命令，为此该框架依赖专门用于改善轨迹和路径的数值优化技术。

“算法的核心思想是模仿人类规划过程，过往经验在路径规划中至关重要。”韩教授解释道，算法从大量专家演示数据集中学习，将先验知识提炼到网络中。而且，神经规划器直接在与环境表征相同的图像域中运行，加快了训练速度并增强了收敛性能。

初步测试显示，韩志超及其同事开发的寻路方法比之前基于神经网络的方法更稳定。无论环境复杂程度如何，它都能在固定且可预测的时间范围内为机器人可靠地输出路径。相比之下，许多传统规划方法需执行大量在线搜索，在动态或具有挑战性的环境中会延迟寻路过程，减慢机器人导航速度。

韩教授称，该研究有效结合了经典数值优化与深度神经网络，充分发挥两者优势并弥补不足。深度网络效率高但缺乏完整性保证，经典方法完备但性能依赖初始化，整合后系统能在具有挑战性的环境中实现稳定且高质量的时空轨迹生成。

目前，该研究团队提出的寻路方法即将在更多不同机器人平台上进行实验验证。未来，有望提升机器人在搜索救援行动、后勤任务以及动态环境探索等复杂任务中的执行能力。韩教授还表示，团队计划通过提高模拟保真度和增强感知鲁棒性来应对从模拟到现实的迁移挑战，确保机器人能在多样化和复杂的现实环境中安全、可靠、可预测地运行，最终实现与人类日常生活和工业应用的无缝集成。

更多信息： Zhichao Han 等，《复杂环境中车辆轨迹的稳定性分层描述》，《Science Robotics》(2025)。