MMP-A*：多模态感知增强的路径规划增量启发式搜索

自主路径规划需要全局推理与几何精度的协同，在复杂或杂乱的环境中尤其如此。经典 A* 因其最优性而备受重视，但在大规模场景中会带来过高的计算与内存开销。近期尝试利用大型语言模型提供路标引导以缓解这些局限，但仍不充分，因为它们仅依赖基于文本的推理而缺乏空间落地。结果是，这类模型常在带有死胡同的拓扑复杂环境中产生错误路标，且缺乏解读模糊物理边界的感知能力。这些不一致导致代价高昂的纠正性扩展，并损害预期的计算效率。我们提出 MMP-A*，一个将视觉语言模型的空间落地能力与新颖的自适应衰减机制相结合的多模态框架。通过将高层推理锚定于物理几何，该框架产生连贯的路标引导，弥补了纯文本规划器的局限。自适应衰减机制动态调节不确定路标在启发式中的影响，在保证几何有效性的同时大幅降低内存开销。为评估鲁棒性，我们在以严重杂乱与拓扑复杂性为特征的高挑战环境中测试该框架。实验结果表明，MMP-A* 以显著降低的运行成本获得近最优轨迹，展示了其作为感知落地且计算高效的自主导航范式的潜力。