A* search algorithm
PulseAugur coverage of A* search algorithm — every cluster mentioning A* search algorithm across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
物理信息神经网络增强无人机路径规划
一篇研究论文介绍了一种新颖的物理信息神经网络（PINN）方法，用于动态环境中无人机（UAV）的路径规划。该方法将无人机动力学和风扰动直接嵌入学习过程，无需监督数据即可生成安全、节能且平滑的轨迹。仿真表明，PINN框架在控制能量、路径平滑度和安全裕度方面优于A*和动力学RRT*等传统算法。
-
Sokoban AI 求解器使用 A* 搜索实现最优谜题解决方案
一位开发者为经典的 Sokoban 益智游戏创建了一个 AI 求解器，该游戏涉及将箱子推到指定目标位置。该求解器使用 JavaScript 和 C++ 实现，利用 A* 搜索算法，并结合了诸如 move-optimal macro-pushes 和 compact bitmask states 等优化技术，以高效地找到可证明的最优解决方案。虽然大多数棋盘能在浏览器中以毫秒级速度解决，但最复杂的棋盘由于其庞大的状态空间需要预先计算。
-
LLM-Advisor 使用 GPT-5.5 在 MultiTerraPath 基准测试中改进路径规划
研究人员开发了 LLM-Advisor，一个利用大型语言模型提高复杂地形路径规划效率的框架。该系统利用语义地形上下文提出替代路线，其成本明显低于基线路径，并通过确定性验证确保可行性和成本降低。在 MultiTerraPath 基准测试中使用 GPT-5.5 进行测试时，LLM-Advisor 显著提高了路径规划成功率，在图分辨率较粗糙的地图上恢复了相当一部分成本差距。
-
新的WNM-3D模型增强了导航的3D场景条件约束
研究人员推出了一种新颖的世界导航模型WNM-3D，该模型集成了用于闭环视觉语言导航（VLN）的3D场景条件约束。该模型通过显式建模代理的视觉观察如何随着其预测的运动而演变，解决了当前VLN系统的局限性。WNM-3D利用几何编码器和3D场景到Token适配器，将扩散Transformer约束在持久的场景上下文中，从而实现更鲁棒的导航。
-
AI研究：分析指令排序的复杂性
一篇新的研究论文探讨了当概念之间存在先决条件依赖时，指令排序的复杂性。该研究证明，随机性（或学习概念的成功概率）可以被消除，将问题简化为确定性的最短路径问题。然而，即使在简化条件下，找到最优序列仍然是NP难问题。该研究引入了一个可计算的诊断指标mΔ来界定排序的价值，并识别了近视排序可能导致重大遗憾的具体实例，而精确的A*搜索仍然高效。
-
DesignArena 融资 790 万美元用于 AI 品味反馈工具 · 跟踪 2 个来源
人工智能反馈工具 DesignArena 的母公司 Intelligence 已获得 790 万美元的种子轮融资。该平台允许用户对 AI 生成的输出进行排名，为 AI 模型开发提供宝贵的人类反馈。DesignArena 目前在全球拥有 530 万用户，年经常性收入达 6000 万美元，是 AI 公司获取人类主导的评估数据的关键来源。
-
新的路线系统优先考虑老年行人的安全和便利设施
研究人员开发了一种专为老年人设计的新的行人路线系统，超越了简单的距离或时间优化。该系统纳入了障碍物、安全阈值和支持性基础设施等因素，这些因素是通过对14位老年人的访谈和实地研究得出的。基于OpenStreetMap数据，使用基于A*的引擎生成的适合老年人的路线，参与者比标准路线更喜欢它们，这凸显了上下文感知危险建模和社会背景敏感性在导航中的重要性。
-
新的Key-Interval A*算法显著加速网格寻路
研究人员开发了Key-Interval A* (KIA*)，这是一种旨在显著加速网格寻路的新型算法。该方法采用轻量级预处理，利用区间创建自由空间的压缩表示，重点关注表示结构变化的键区间。KIA*然后在此抽象图上进行类似A*的搜索，无需单元格级别的局部搜索即可有效地重建网格路径。实验表明，KIA*在各种基准测试中保持路径最优性并实现卓越的运行时性能，尤其是在结构化和游戏地图上。
-
新的基于冲突的延迟搜索算法加速多机械臂规划
研究人员开发了一种名为基于冲突的延迟搜索（CBLS）的新规划算法，旨在提高多机械臂任务的效率。CBLS 在现有的基于冲突搜索（CBS）算法的基础上，通过结合预计算和延迟搜索策略进行构建。该算法通过一个延迟评估图和一个新颖的基于边的延迟 A*（LEA*）方法来增强 CBS 的单机械臂路径查找能力，旨在减少计算瓶颈。
-
新系统Pharos提升城市空域无人机安全性
研究人员开发了Pharos，一个专为复杂城市环境设计的新型多无人机空域管理系统。该系统旨在通过防止碰撞和减轻人类恐惧来提高安全性，定位在完全分布式和集中式控制范式之间。Pharos利用MAPPO算法进行高效协调，与现有基准相比，在减轻人类恐惧方面提高了52%以上，并提高了70%的空间利用率。
-
LLM 辅助的 A* 搜索优化复杂网络中的路径查找
研究人员开发了一种新方法，通过将大型语言模型 (LLM) 与 A* 搜索算法相结合，来优化复杂网络图中的路径查找。这种 LLM 辅助的 A* 方法生成中间航点来指导搜索过程，有效地克服了非几何图中缺乏几何信息的问题。实验表明，与最优解相比，该技术可以将扩展节点数量减少约 50%，同时路径成本仅略有增加。研究还发现，将结构特征纳入提示比高级提示技术更有利于提高效率。
-
新方法分析图结构以评估最短路径算法
研究人员开发了一种通过分析图结构来评估最短路径算法的新方法。该方法将图嵌入到特征空间并进行聚类，以识别结构相似的区域，然后用这些区域来评估算法性能。研究考察了Erdos-Renyi图、随机几何图和道路网络，并测试了Dijkstra、双向Dijkstra和A*等算法。研究结果表明，虽然图生成器会创建稳定的结构区域，但性能相似性并不总是与结构相似性一致，并且不同的基准测试族占据不同的区域。
-
新型机器人导航系统使用贝叶斯优化增强规划
研究人员开发了一种新的无地图自主机器人导航框架，该框架将反应式规划与非线性模型预测控制（MPC）相结合。该系统使用基于 LiDAR 的高斯占用表示和 A* 搜索算法来生成无碰撞轨迹，然后由 MPC 公式进行跟踪。为了优化控制器参数，采用了利用树状 Parzen 估计器（TPE）和高斯过程代理的离线贝叶斯优化方案。该框架在 Unitree Go2 机器人在模拟和物理硬件上成功进行了评估，实现了 90.0% 的导航成功率，并展示了从模拟到…
-
AI研究致力于最优规划的可接受启发式方法
两篇新研究论文介绍了在AI规划和组合搜索中学习可接受启发式方法的创新方法。其中一篇论文提出了一个使用深度学习和图算法学习成本划分的框架，保证了启发式方法的可接受性。另一篇论文提出了一种训练神经网络启发式的方法，该方法使用低估算算子和事后校准，以确保它们不会高估成本，从而保持搜索算法中解的最优性。
-
新研究评估AI中外部内存搜索的基线方法
研究人员评估了利用SSD等外部内存的A*搜索算法的简单基线方法。该研究特别关注了对直接重复检测（IDD）技术缺乏系统性研究，以及操作系统机制（如页面缓存）对外部内存访问性能的影响。这项工作旨在通过对这些基线方法的性能分析来填补现有文献的空白。
-
LLM驱动的模式生成器实现规划的可容许启发式
研究人员开发了一种新方法，用于学习确保最优经典规划可容许性的领域相关启发式。该方法利用LLM驱动的进化程序合成框架来生成创建规划任务模式集合的程序。然后，这些模式可容许地组合，从而产生启发式，其覆盖范围与现有方法相当，但状态评估速度显著更快，开销可忽略不计。
-
新的线性规划方法提高了流程一致性检查速度
研究人员通过将其重新表述为完全单模线性规划（LP）开发了一种新的流程一致性检查方法。这种LP方法显著加快了具有偏差的长流程跟踪速度，补充了现有的基于A*的启发式搜索，后者在较短、符合度高的跟踪上表现更好。对超过210万个实例的广泛评估表明，结合这两种方法可以实现平均38.6%的运行时节省和高选择准确率。
-
AI 飞行员结合了路径规划与深度强化学习
一位开发者创建了一个用于空战模拟的混合 AI 系统，结合了经典的寻路算法与深度强化学习。该方法使用路径规划器进行常规导航，并在检测到导弹等威胁时切换到强化学习代理。该项目在 Unity 中构建，经过 500 万步的训练，证明了在复杂任务的不同方面使用专业 AI 技术是有效的。
-
Petri网搜索在调度问题上优于MIP求解器
研究人员为资源受限项目调度问题（RCPSP）开发了一种新的启发式搜索方法。该方法将调度决策建模为带资源的定时转移Petri网中的转移。在标准基准测试上的实验表明，这种新方法在成功率和速度上都优于现有的混合整数线性规划求解器。
-
AI代理利用LLM进行深度搜索和改进路径规划
本文回顾了两篇探讨AI代理高级搜索技术的学术论文。其中一篇论文调查了大型语言模型（LLM）如何充当推理代理，规划多步解决方案并评估有希望的搜索分支，类似于基于目标或基于效用的代理。第二篇论文详细介绍了使用加权A*和自适应启发式奖励对A*路径规划算法的改进，从而在复杂环境中实现更动态、更高效的导航。