AMOVLAB(阿木实验室)

继AGRNav[ICRA’24]和HE-Nav[RA-L’24]等研究成果后，王俊铭同学近期发表的OMEGA [RA-L 2025]和OccRWKV[ICRA 2025]论文，为解决复杂动态环境下的自主导航问题提供了创新思路。创新性地提出了一种三分支网络结构，将语义和几何预测解耦为不同的部分，通过集成Sem-Mamba与Geo-Mamba模块，高效地进行3D语义占用预测。现有3D语义占据网络普遍存在计算冗余，而OccRWKV是首个基于RWKV架构设计的3D语义占用网络，能够实现线性复杂度的全局特征建模。

为进一步验证 PL-ALF 的自主避障能力，研究团队使用阿木实验室P230无人机在低纹理、狭窄的室内走廊中进行了测试，并成功完成了自主飞行任务（如通过门框、避开墙壁等），其中最窄通道宽度不足 1 米，这充分证明了 PL-ALF 在复杂环境中的适应能力。▪ 在仿真环境中， 对 PL-ALF的路径规划能力进行了测试，并与多个主流算法（Fast-Planner、EGO-Planner 、EWOK）进行了对比。A-Star算法 + L-BFGS 优化，仅对有障碍物的路径进行修正，提高计算效率。

通过迷宫、通道、移动障碍等仿真场景复现，以及空场、简单场、通道场和混乱场的对比场景的实验，展示了RT-RRT算法在动态环境下高效、稳健的路径规划能力。▪ 连接成功后，将T+分支反向写入T-，生成新路径。若新路径存在“绕弯”，算法自动在拐点处二分采样，找到更短的安全路径，路径长度平均缩短20.54%，接近理论最优解。▪ RRTX等反向树（从目标点出发）算法，树的修复依赖于邻居状态迭代，样本少易失败，样本多耗时长。：反向树从目标点出发，预探索全局路径，正向树遇障时从当前位置快速“开新路”，连接反向树。

空地机器人（AGRs）具有独特的双模式能力（即飞行和驾驶），使其成为搜索和救援任务的理想选择。现有的AGR导航系统在结构化的室内场景中取得了进展，使用传感器感知环境并构建欧几里德有符号距离场（ESDF）地图以实现无碰撞路径规划。然而，由于感知模块和路径规划器的局限性，这些系统在遮挡环境（如森林）中表现出次优性能和效率。在本文中，我们提出了HE-Nav，这是第一个专为AGRs设计的高性能高效导航系统。