美国加州理工学院的一支科研团队成功研发出光谱扩展树搜索（SETS）算法，该算法专为自主机器人在现实环境中的导航设计，旨在辅助其选择最优路径，并作出最佳决策与行动。此创新成果近期荣登《科学·机器人学》杂志封面，吸引了广泛关注。

设想一下，若将机器人置于一个复杂的游戏环境中，其目标为找到一条既安全又高效的路径以抵达目的地。SETS算法在此扮演着机器人“游戏策略师”的角色，通过模拟大量潜在动作，为机器人规划出最理想的移动路线。与传统方法相比，SETS算法能迅速识别最具潜力的动作组合，有效避免了不必要的计算，从而提升了机器人的导航效率。

SETS算法借鉴了蒙特卡洛树搜索的概念，这是一种随机选择路径进行探索的技术，最初应用于棋类游戏的人工智能系统中。在机器人导航领域，蒙特卡洛树搜索构建了一个分支结构，用以表示从当前位置到目标位置的各种可能性。然而，随着每一步动作的选择，潜在路径的数量会急剧增长，导致全面评估所有选项变得极为困难。

为了解决这一难题，SETS算法采用了“探索/利用”权衡原则。例如，当机器人检测到某些动作可能导致碰撞时，会立即放弃这些动作的后续步骤，转而专注于更安全的选择。这种方法显著降低了计算量，使机器人能够几乎实时地处理信息并作出反应，从而提高了导航的准确性和安全性。

SETS算法的另一大优势在于其通用性，可适用于各种类型的机器人平台，无需进行单独编程。科研团队已在三个不同的实验环境中验证了该算法的有效性，均取得了令人满意的成果。

借助SETS算法，机器人能够在十分之一秒内完成数千甚至数万次模拟，迅速确定下一步的最佳行动。这一过程不断循环，使机器人能够每秒都根据最新情况调整自己的行为，从而更加智能、灵活地应对动态环境中的变化。这项技术的突破意味着未来机器人将在更多领域发挥更大的作用。

（文章来源：科技日报，有删改）