《Advanced Intelligent Systems》：Artificial Intelligence in Autonomous Mobile Robot Navigation: From Classical Approaches to Intelligent Adaptation
编辑推荐：
随着自动驾驶机器人在从物流到太空探索等应用中的兴起，自主导航已获得越来越多的关注。机器人的能力、上下文和目标显著影响高效导航方法的设计与选择。然而，传统导航方法依赖于基于规则的算法和确定性推理，在复杂场景中难以适应和鲁棒。人工智能（AI）提供了一种解决方案，通
随着自动驾驶机器人在从物流到太空探索等应用中的兴起，自主导航已获得越来越多的关注。机器人的能力、上下文和目标显著影响高效导航方法的设计与选择。然而，传统导航方法依赖于基于规则的算法和确定性推理，在复杂场景中难以适应和鲁棒。人工智能（AI）提供了一种解决方案，通过深度学习（DL）、语义理解和实时异常检测等技术增强导航。本综述探讨了AI在克服经典方法局限性方面的作用，重点关注导航任务中的适应性、安全性和协作。分析不同技术及其与传感器的集成，突显了AI在现实环境中实现可靠、高效和安全运行的潜力，为智能机器人的未来研究提供指导。
1 引言
移动机器人技术推动了自主移动机器人（AMR）在物流、医疗、农业和探索等领域的发展。导航作为核心，涉及路径规划、定位、感知和决策。传统方法基于确定性几何推理和规则控制，在结构化环境中表现良好，但在动态、不确定场景中适应性不足。人工智能（AI）通过深度学习（DL）、语义理解和自适应采样等技术，增强了导航的适应性、精度和效率。现有综述多集中于特定算法或任务，缺乏跨领域整合视角。本综述采用交叉分析，探讨AI如何增强路径规划、定位、建图、感知和决策，并涵盖安全、异常检测和多机器人协作等未充分研究的维度，旨在为智能自主移动机器人的未来发展提供桥梁。
2 方法
采用PRISMA协议，定义研究问题（RQ1：AI如何改进导航；RQ2：传感器选择与性能影响；RQ3：应用上下文适应性；RQ4：安全与异常检测整合）。搜索策略涉及Scopus和IEEE Xplore，使用五组关键词组合，时间窗口为2020-2025年，筛选出83篇相关论文。文献按AI类型分类：软计算AI（SC-AI，如模糊逻辑）、概率AI（P-AI，如贝叶斯估计）、学习型AI（L-AI，如深度学习）。按导航任务分类：路径规划与控制、定位与建图、感知、上下文感知与决策。
3 路径规划与控制
传统方法（A*、D*、RRT/RRT*、动态窗口法（DWA））在静态环境中可靠，但动态环境下降级。AI增强包括：软计算方法（如自适应谐波搜索、模糊DWA）通过在线调整参数提升适应性；学习型方法（如强化学习（RL）与粒子群优化（PSO）混合、自适应规划器参数学习（APPL））从数据中学习策略；深度强化学习（DRL）如SAC、TD3直接学习导航策略；基础模型如视觉语言模型（VLM）实现零样本规划。多机器人系统中，自适应编队切换和强化学习（RL）用于空间划分。3.1 路径规划与控制的最终评述指出，AI扩展了经典方法但未取代，仿真与真实部署差距、安全保证缺失、计算可扩展性仍是挑战。
4 定位与建图
经典SLAM（扩展卡尔曼滤波（EKF）SLAM、图SLAM、蒙特卡洛定位（MCL））依赖精确模型，在纹理少、动态场景中易漂移。AI增强包括：语义SLAM（如YOLO、Mask R-CNN过滤动态物体，ORB-SLAM3结合贝叶斯滤波）；学习型描述符（如SegMap、OverlapTransformer）提升位置识别鲁棒性；概率方法（如在线CLiFF-map）适应动态人流；多机器人协作中，区块链与Q-learning用于任务分配。4.1 定位与建图的最终评述表明，AI模块显著提升鲁棒性，但验证多基于数据集，室外长期部署和可扩展性仍有待解决。
5 导航感知
经典感知依赖LiDAR阈值和几何提取，在噪声、动态场景中脆弱。AI方法包括：端到端DRL（如NavDreams）从RGB直接学习避障；世界模型预测未来状态；语义分割（如SegNet、DINOv2）生成可通行性成本图；不确定性感知模型（如UNRealNet）输出概率成本图；生物启发模型（如LGMD）在资源受限平台上实现快速避障。5.1 导航感知的最终评述指出，AI提升了感知的适应性和上下文感知能力，但仿真到现实差距、计算负载和安全性保障仍需改进。
6 上下文感知与决策
传统有限状态机在动态、人类共存环境中不足。AI增强包括：语义导航（知识图谱、视觉语言模型（VLM）如VLFM）；安全感知（贝叶斯风险过滤、安全RL如ATACOM投射约束）；社会导航（生成对抗模仿学习（GAIL）结合图注意力网络）。6.1 上下文感知与决策的最终评述强调，AI使机器人能够平衡安全、效率与任务目标，但安全往往作为事后措施，社会可接受性评估不足。
7 对研究问题的最终考虑
RQ1：AI通过软计算、概率和学习型方法分层增强导航，三者互补。RQ2：传感器选择（LiDAR、RGB-D、IMU等）影响性能，多模态融合增加鲁棒性但带来计算开销。RQ3：应用上下文（室内/室外、静态/动态）影响AI方法设计，但真实世界测试有限。RQ4：安全与异常检测研究不足，仅约20%论文涉及，且多为固定阈值，缺乏标准化基准。
8 讨论与结论
AI在导航栈的四个模块中发挥关键作用：感知通过语义理解提升；定位与建图通过动态过滤和描述符增强；路径规划通过在线适应和RL优化；决策通过语义推理和风险感知实现智能自适应。智能自适应包括语义泛化、经验学习、预测推理、鲁棒性、社会意识和可解释性。挑战包括仿真到现实差距、计算效率、可扩展性和安全整合。未来方向包括：推进类人推理、自监督学习、轻量级模型、多机器人协调、标准化评估指标，以及优先发展语义关键帧和特征稳定性评分。
