加州理工学院科研团队开发的光谱扩展树搜索(SETS)算法，为自主机器人在复杂环境中导航提供了新的解决方案。该算法借鉴蒙特卡洛树搜索概念，通过模拟大量动作来规划最优路径。与传统方法不同，SETS能快速识别最具潜力的动作组合，避免不必要计算，并采用“探索/利用”权衡原则，减少计算量。该算法通用性强，适用于各种机器人平台，并能在极短时间内完成数千次模拟，使机器人能实时调整行为，更加智能灵活地应对动态环境。

🤖SETS算法借鉴蒙特卡洛树搜索，通过模拟大量可能的动作，为机器人规划安全高效的路径，如同机器人的“游戏策略师”。

💡SETS算法采用“探索/利用”权衡原则，当检测到某些动作可能导致碰撞时，会放弃这些动作的后续步骤，从而大幅减少计算量，使机器人能实时处理信息并作出反应。

🚀SETS算法具有通用性，无需单独编程即可应用于各种机器人平台，并在多个实验环境中验证了其有效性，展现了其强大的适应能力。

⏱️SETS算法能在十分之一秒内完成数千次模拟，快速决策下一步行动，并持续根据最新情况调整行为，使机器人更加智能和灵活。

    科技日报讯 （记者张梦然）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。