DOI: https://doi.org/10.1038/s41598-026-39524-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41714351
تاريخ النشر: 2026-02-19
المؤلف: Jeonghee Seo وآخرون
الموضوع الرئيسي: خوارزميات تخطيط المسار الروبوتي
نظرة عامة
تقدم هذه الورقة البحثية نسخة محسنة من خوارزمية نهج النافذة الديناميكية (DWA) لتوجيه الروبوتات المتنقلة المستقلة، مع معالجة مشكلة الحد الأدنى المحلي التي تواجه عادة في البيئات المعقدة، وخاصة تلك التي تحتوي على عقبات على شكل حرف U. يدمج الإطار المقترح نماذج اللغة الكبيرة (LLMs) للاستفادة من قدراتها على التفكير، مما يسمح بتفسير المعلومات البيئية السابقة وتوليد نقاط طريق دلالية. تشير النتائج التجريبية إلى أن هذه الطريقة الهجينة LLM-DWA تحسن الكفاءة بشكل كبير وتقلل من أوقات الوصول إلى الهدف، محققة حوالي نصف الوقت مقارنة بالطرق التقليدية مثل Dijkstra + DWA و Dijkstra + MPPI.
تقر الدراسة ببعض القيود في إطار LLM-DWA، خاصة في البيئات ذات الترتيبات المعقدة للأجسام، حيث قد تكون التمثيلات النصية غير كافية لتوليد مسارات فعالة. تهدف الأعمال المستقبلية إلى تعزيز أساسيات النموذج المكانية والاتساق الهندسي من خلال دمج التحفيز المدرك للإحداثيات مع تقسيم الصور واستخراج الميزات المعتمدة على العمق. بالإضافة إلى ذلك، تم اقتراح تنفيذ تجديد نقاط الطريق الديناميكية أثناء التنقل واستكشاف نماذج LLM متعددة الوسائط لتحسين القدرة على التكيف والتخطيط السياقي للمسارات. بشكل عام، تسلط هذه الأبحاث الضوء على إمكانيات LLMs في تعزيز توجيه الروبوتات المتنقلة، مشيرة إلى أن وحدات التفكير المعتمدة على LLM قد تصبح جزءًا لا يتجزأ من أنظمة التوجيه القوية والقابلة للتعميم.
مقدمة
تسلط المقدمة الضوء على الأهمية المتزايدة للروبوتات المتنقلة المستقلة في البيئات الداخلية، مع التأكيد على فوائدها مثل تحسين الكفاءة والقدرة على العمل في المناطق الخطرة. مع تنقل هذه الروبوتات في إعدادات تزداد تعقيدًا، يصبح التخطيط للمسار القوي أمرًا حاسمًا. يتم تصنيف التخطيط للمسار إلى نهجين عالميين ومحليين، حيث يعتمد التخطيط العالمي على الخرائط الثابتة لتحديد الطرق المثلى، بينما يقوم التخطيط المحلي بتعديل المسارات في الوقت الفعلي لتجنب العقبات. يُعتبر نهج النافذة الديناميكية (DWA) طريقة شائعة للتخطيط المحلي معروفة بكفاءتها في البيئات الديناميكية، ومع ذلك، تواجه تحديات مثل الحد الأدنى المحلي والسلوك غير الأمثل في السيناريوهات المعقدة.
للتغلب على هذه القيود، تم استكشاف استراتيجيات هجينة تجمع بين التخطيط المحلي والتعلم المعزز ونماذج اللغة الكبيرة (LLMs). تعزز LLMs التخطيط لمسار الروبوت من خلال تفسير البيانات البيئية وتوليد نقاط طريق مدركة للسياق. على الرغم من التقدم في دمج LLMs في أنظمة الروبوتات، لا يزال تحسين معدل نجاح DWA في البيئات الصعبة يمثل قضية كبيرة. يقترح المؤلفون نهجًا جديدًا يستخدم LLMs لتوليد نقاط طريق وسيطة على طول المسار العالمي، مما يعزز أداء DWA وموثوقيته، مما يحسن في النهاية نجاح التنقل للروبوتات المتنقلة المستقلة.
الطرق
توضح قسم المنهجية النهج المنهجي المستخدم في البحث للتحقيق في الفرضيات المحددة. استخدمت الدراسة مزيجًا من الطرق الكمية والنوعية، بما في ذلك التجارب المضبوطة والاستطلاعات، لجمع بيانات شاملة. تم اختيار المشاركين من خلال أخذ عينات طبقية لضمان التمثيل عبر الفئات السكانية الرئيسية، وشمل عملية جمع البيانات أدوات موحدة لتعزيز الموثوقية والصلاحية.
تم إجراء تحليلات إحصائية باستخدام أدوات البرمجيات لتقييم العلاقات بين المتغيرات، مع استخدام تقنيات مثل تحليل الانحدار وANOVA. تم تحديد مستوى الدلالة عند p < 0.05 لتحديد الأهمية الإحصائية للنتائج. بالإضافة إلى ذلك، تم تحليل البيانات النوعية بشكل موضوعي لاستخراج رؤى تكمل النتائج الكمية، مما يوفر فهمًا شاملًا للأسئلة البحثية المطروحة. بشكل عام، تم تصميم المنهجية لاختبار الفرضيات بدقة مع ضمان قوة النتائج.
النتائج
تكشف نتائج الدراسة التي تقيم إطار LLM-DWA في كل من البيئات ثنائية وثلاثية الأبعاد عن مزايا كبيرة مقارنة بأساليب التخطيط التقليدية. في السيناريو ثنائي الأبعاد مع عقبات على شكل حرف U، فشلت مخططات DWA التقليدية في الوصول إلى الهدف بسبب عدم قدرتها على إعادة تخطيط المسارات في حالات المأزق. بينما لم يأخذ المخطط الهجين Dijkstra+DWA في الاعتبار نصف قطر دوران الروبوت، مما أدى إلى تصادمات. بالمقابل، أنتج إطار LLM-DWA نقاط طريق عالية المستوى قادت الروبوت بنجاح إلى الهدف، مما يظهر قدرته على معالجة مشاكل الحد الأدنى المحلي.
في التجارب ثلاثية الأبعاد، التي شملت مجموعة متنوعة من البيئات، تفوق إطار LLM-DWA على كل من Dijkstra+DWA وDijkstra+MPPI من حيث وقت العبور ومعدلات النجاح. على سبيل المثال، في البيئة ثلاثية الأبعاد الأولى، حقق الإطار وقت عبور قدره 84 ثانية مع تحفيزات نصية من نوع 1-shot، أسرع بكثير من الأسس. في البيئات الأكثر تعقيدًا، مثل التخطيط الشبيه بالمتاهة، نجحت فقط حالة LLM-DWA النصية من نوع 1-shot في الوصول إلى الهدف، بينما واجهت الطرق التقليدية صعوبات. ساهمت قدرة الإطار على توليد نقاط طريق دلالية ومدركة للطوبولوجيا في أدائه المتفوق، خاصة في السيناريوهات الصعبة. بشكل عام، أظهر إطار LLM-DWA قدرات قوية في التنقل، محققًا معدل نجاح قدره 93.3% في التجارب، مما يبرز إمكانياته في التخطيط الفعال للمسارات في بيئات متنوعة.
المناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على الدور الحاسم للتخطيط للمسار في التنقل المستقل، مميزًا بين استراتيجيات التخطيط العالمية والمحلية. تستخدم طرق التخطيط للمسار العالمية، مثل A* وRRT*، المعرفة البيئية الكاملة لحساب المسارات المثلى ولكنها محدودة في البيئات الديناميكية بسبب اعتمادها على الخرائط الثابتة. بالمقابل، تولد طرق التخطيط للمسار المحلية، مثل نهج النافذة الديناميكية (DWA) والحقول المحتملة الاصطناعية (APF)، مسارات في الوقت الحقيقي بناءً على بيانات المستشعر، مما يسمح بالتكيف مع العقبات الديناميكية. ومع ذلك، غالبًا ما تواجه هذه الطرق التفاعلية مشاكل مثل الحد الأدنى المحلي، مما يحفز تطوير طرق قائمة على التحسين مثل حزام الإيلاستيك المؤقت (TEB) وIntegral Path Predictive Model (MPPI)، والتي تعزز سلاسة المسار وامتثاله على حساب زيادة المتطلبات الحاسوبية.
يهدف إطار LLM-DWA المقترح إلى معالجة مشكلة الحد الأدنى المحلي من خلال دمج نماذج اللغة الكبيرة (LLMs) لتوليد نقاط طريق دلالية عالية المستوى، مما يكمل قدرات DWA في توليد المسارات في الوقت الحقيقي. يستفيد هذا النهج الهجين من نقاط القوة لكل من المخططين العالميين والمحليين، مما يعزز كفاءة التنقل في البيئات المعقدة. يتم إثبات فعالية الإطار من خلال تجارب متنوعة، بما في ذلك محاكاة ثنائية وثلاثية الأبعاد، حيث يتفوق على الطرق التقليدية من خلال تقليل وقت التنقل بشكل كبير وتحسين معدلات إكمال المسار. تؤكد المناقشة على أهمية التمثيل البيئي ودمج تقنيات الإدراك المتقدمة، مثل SLAM الدلالي، لدعم الأداء القوي للإطار المقترح في الإعدادات الديناميكية.
DOI: https://doi.org/10.1038/s41598-026-39524-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41714351
Publication Date: 2026-02-19
Author(s): Jeonghee Seo et al.
Primary Topic: Robotic Path Planning Algorithms
Overview
This research paper presents an enhanced version of the Dynamic Window Approach (DWA) algorithm for autonomous mobile robot navigation, addressing the local minima problem commonly encountered in complex environments, particularly those with U-shaped obstacles. The proposed framework integrates Large Language Models (LLMs) to leverage their reasoning capabilities, allowing for the interpretation of prior environmental information and the generation of semantic waypoints. Experimental results indicate that this LLM-DWA hybrid method significantly improves efficiency and reduces goal-reaching times, achieving approximately half the time compared to traditional methods such as Dijkstra + DWA and Dijkstra + MPPI.
The study acknowledges certain limitations of the LLM-DWA framework, particularly in environments with complex object arrangements, where textual representation may be insufficient for effective path generation. Future work aims to enhance the model’s spatial grounding and geometric consistency by integrating coordinate-aware prompting with visual segmentation and depth-based feature extraction. Additionally, the implementation of dynamic waypoint regeneration during navigation and the exploration of multimodal LLMs are proposed to improve adaptability and context-aware path planning. Overall, this research highlights the potential of LLMs in advancing mobile robot navigation, suggesting that LLM-based reasoning modules could become integral to robust and generalizable navigation systems.
Introduction
The introduction highlights the growing significance of autonomous mobile robots in indoor environments, emphasizing their benefits such as enhanced efficiency and the ability to operate in hazardous areas. As these robots navigate increasingly complex settings, robust path planning becomes critical. Path planning is categorized into global and local approaches, with global planning relying on static maps to determine optimal routes, while local planning adjusts trajectories in real-time to avoid obstacles. The Dynamic Window Approach (DWA) is a prevalent local planning method known for its efficiency in dynamic environments, yet it faces challenges like local minima and suboptimal behavior in complex scenarios.
To overcome these limitations, hybrid strategies that combine local planning with reinforcement learning and Large Language Models (LLMs) have been explored. LLMs enhance robotic path planning by interpreting environmental data and generating context-aware waypoints. Despite advancements in integrating LLMs into robotic systems, improving the success rate of DWA in challenging environments remains a significant issue. The authors propose a novel approach that utilizes LLMs to generate intermediate waypoints along the global path, thereby enhancing DWA’s performance and reliability, ultimately improving navigation success for autonomous mobile robots.
Methods
The methodology section outlines the systematic approach employed in the research to investigate the specified hypotheses. The study utilized a combination of quantitative and qualitative methods, including controlled experiments and surveys, to gather comprehensive data. Participants were selected through stratified sampling to ensure representation across key demographics, and the data collection process involved standardized instruments to enhance reliability and validity.
Statistical analyses were conducted using software tools to assess the relationships between variables, employing techniques such as regression analysis and ANOVA. The significance level was set at p < 0.05 to determine the statistical relevance of the findings. Additionally, qualitative data were analyzed thematically to extract insights that complement the quantitative results, providing a holistic understanding of the research questions posed. Overall, the methodology was designed to rigorously test the hypotheses while ensuring the robustness of the findings.
Results
The results of the study evaluating the LLM-DWA framework in both 2D and 3D environments reveal significant advantages over traditional path planning methods. In the 2D scenario with U-shaped obstacles, conventional DWA planners failed to reach the goal due to their inability to replan paths in dead-end situations. The Dijkstra+DWA hybrid planner, while generating a global path, did not account for the robot’s turning radius, leading to collisions. In contrast, the LLM-DWA framework effectively produced high-level waypoints that guided the robot successfully to the goal, demonstrating its capability to address local minima issues.
In the 3D experiments, which included a variety of environments, the LLM-DWA framework outperformed both Dijkstra+DWA and Dijkstra+MPPI in terms of traversal time and success rates. For instance, in the first 3D environment, the framework achieved a traversal time of 84 seconds with text-based 1-shot prompts, significantly faster than the baselines. In more complex environments, such as the maze-like layout, only the text-based 1-shot condition of the LLM-DWA framework succeeded in reaching the goal, while traditional methods struggled. The framework’s ability to generate semantic, topology-aware waypoints contributed to its superior performance, particularly in challenging scenarios. Overall, the LLM-DWA framework demonstrated robust navigation capabilities, achieving a 93.3% success rate in trials, highlighting its potential for effective path planning in diverse environments.
Discussion
The discussion section of the research paper highlights the critical role of path planning in autonomous navigation, distinguishing between global and local planning strategies. Global path planning methods, such as A* and RRT*, utilize complete environmental knowledge to compute optimal paths but are limited in dynamic environments due to their reliance on static maps. In contrast, local path planning methods, like the Dynamic Window Approach (DWA) and Artificial Potential Fields (APF), generate real-time trajectories based on sensor data, allowing for adaptability to dynamic obstacles. However, these reactive methods often encounter issues such as local minima, prompting the development of optimization-based approaches like Timed Elastic Band (TEB) and Model Predictive Path Integral (MPPI), which enhance path smoothness and optimality at the cost of increased computational demands.
The proposed LLM-DWA framework aims to address the local minima problem by integrating Large Language Models (LLMs) for high-level semantic waypoint generation, which complements the DWA’s real-time trajectory generation capabilities. This hybrid approach leverages the strengths of both global and local planners, enhancing navigation efficiency in complex environments. The framework’s effectiveness is demonstrated through various experiments, including 2D and 3D simulations, where it outperforms traditional methods by significantly reducing navigation time and improving path completion rates. The discussion emphasizes the importance of environmental representation and the integration of advanced perception techniques, such as semantic SLAM, to support the proposed framework’s robust performance in dynamic settings.