美國加州理工學院科研團隊開發了一種名為光譜擴展樹搜索（SETS）的演算法。該演算法旨在幫助自主機器人在現實世界中導航時選擇理想路徑，並作出最佳決策和行動。這一創新成果近期刊登于《科學·機器人學》雜誌封面。

想像一下，如果給機器人玩一個複雜的遊戲，遊戲的目標是找到一條安全且高效的路徑到達目的地。SETS演算法就像是機器人的“遊戲策略師”，通過模擬大量可能的動作來規劃最理想的移動路線。與傳統方法不同的是，SETS能夠快速識別那些最具潛力的動作組合，避免了不必要的計算。

這種演算法借鑒了蒙特卡洛樹搜索的概念，這是一種隨機選擇路徑進行探索的技術，最初用於棋類遊戲的人工智慧系統。在機器人導航中，蒙特卡洛樹搜索創建了一個分支結構，用來表示從當前位置到目標位置的不同可能性。然而，隨著每一步動作的選擇，潛在路徑的數量會呈指數增長，這使得全面評估所有選項變得不切實際。

為了解決這個問題，SETS採用了所謂的“探索/利用”權衡原則。例如，當機器人檢測到某些動作可能會導致碰撞時，它就不會繼續考慮這些動作的後續步驟，而是專注于更安全的選擇。這種方法大大減少了計算量，並允許機器人幾乎實時地處理資訊並作出反應。

SETS的強大之處在於它的通用性，即可以適用於各種類型的機器人平臺，而無需單獨編程。團隊已經證明了該演算法在三個不同實驗環境中的有效性。

SETS演算法讓機器人能夠在大約十分之一秒內完成數千甚至數萬次模擬，迅速決定下一步的最佳行動。這個過程不斷迴圈，使機器人每秒鐘都能根據最新的情況調整自己的行為。這項技術的進步意味著未來機器人將更加智慧、靈活，並能在動態環境中迅速應對變化。

責任編輯：夏岩