摘要
室内导航是自主移动机器人（AMR）的基础，但在异构实验之间，显式规划、学习型策略以及基于大模型的决策之间的关系仍然难以评估。本综述根据各方法的主导决策机制，建立了基于路径规划、基于学习以及基于大模型的导航的统一分类体系，同时承认了混合系统的存在。我们总结了同时定位与建图（SLAM）、深度学习与强化学习以及大模型的基础，然后通过其导航任务、决策角色和验证设置，考察了代表性方法。为了超越定性比较，我们综合了关于导航成功率、计算成本、在线延迟、动态适应性、物理验证和安全性的定量证据，并明确区分了任务协议和测量边界。我们还比较了常见的仿真平台、数据集和物理机器人平台，探讨了传感器噪声、移动障碍物和执行不确定性如何影响从仿真到现实的迁移。分析表明，显式规划提供可解释且约束感知的运动生成，学习型策略支持经验驱动的适应，而大模型能够实现语义指令理解和高层任务推理。然而，单一范式无法解决泛化、具身接地、推理延迟和可靠物理部署等挑战。我们并非在不可比较的评估中对方法进行排名，而是识别了互补能力，以及将语义推理与经过约束检查的低层执行和反馈相结合的混合架构的价值。未来的工作应关注终身适应、具身记忆与世界模型、高效推理，以及可衡量的安全性和故障恢复。
