美国加州理工学院科研团队开发了一种名为光谱扩展树搜索（SETS）的算法。该算法旨在帮助自主机器人在现实世界中导航时选择理想路径，并作出最佳决策和行动。这一创新成果近期刊登于《科学·机器人学》杂志封面。

　　想象一下，如果给机器人玩一个复杂的游戏，游戏的目标是找到一条安全且高效的路径到达目的地。SETS算法就像是机器人的“游戏策略师”，通过模拟大量可能的动作来规划最理想的移动路线。与传统方法不同的是，SETS能够快速识别那些最具潜力的动作组合，避免了不必要的计算。

　　这种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，最初用于棋类游戏的人工智能系统。在机器人导航中，蒙特卡洛树搜索创建了一个分支结构，用来表示从当前位置到目标位置的不同可能性。然而，随着每一步动作的选择，潜在路径的数量会呈指数增长，这使得全面评估所有选项变得不切实际。

　　为了解决这个问题，SETS采用了所谓的“探索/利用”权衡原则。例如，当机器人检测到某些动作可能会导致碰撞时，它就不会继续考虑这些动作的后续步骤，而是专注于更安全的选择。这种方法大大减少了计算量，并允许机器人几乎实时地处理信息并作出反应。

　　SETS的强大之处在于它的通用性，即可以适用于各种类型的机器人平台，而无需单独编程。团队已经证明了该算法在三个不同实验环境中的有效性。

　　SETS算法让机器人能够在大约十分之一秒内完成数千甚至数万次模拟，迅速决定下一步的最佳行动。这个过程不断循环，使机器人每秒钟都能根据最新的情况调整自己的行为。这项技术的进步意味着未来机器人将更加智能、灵活，并能在动态环境中迅速应对变化。（记者张梦然）