隨著空陸兩棲機器人(AGR)在應急救援和城市巡檢等領域的應用范圍不斷擴大，其在復雜動態環境中實現自主導航的挑戰也日益凸顯。對此香港大學王俊銘基于阿木實驗室P600無人機平臺自主搭建了一整套空地兩棲機器人，使用Prometheus開源框架完成算法的仿真驗證與實機部署。繼AGRNav[ICRA’24]和HE-Nav[RA-L’24]等研究成果后，王俊銘同學近期發表的OMEGA [RA-L 2025]和OccRWKV[ICRA 2025]論文，為解決復雜動態環境下的自主導航問題提供了創新思路。這些研究不僅拓展了空地兩棲機器人的應用場景，也為提升其在不確定環境中的適應能力奠定了理論基礎。

空地兩棲機器人系列內容

OccRWKV (ICRA’25) 首個RWKV-based 的3D語義占用網絡。
OMEGA (RA-L’24) 首個空陸兩棲機器人動態導航系統，高效應對動態環境。
HE-Nav (RA-L’24) 首個ESDF-free空陸兩棲導航系統，高效應對雜亂環境。
AGRNav (ICRA’24) 首個遮擋感知空陸兩棲導航系統，高效應對遮擋豐富環境。

本文主要針對最新的研究成果 OccRWKV (ICRA’25)和 OMEGA (RA-L’24) 進行解讀。

OMEGA導航系統

傳統空地機器人導航系統依賴3D語義占用網絡預測遮擋區域，并通過ESDF（歐幾里得符號距離場）進行路徑規劃。但在動態場景中（如人群密集區），該方案會出現感知延遲且規劃低效等問題。而*OMEGA 是首個專為空地兩棲機器人設計、確保在高度遮擋和快速變化的環境中高效自主導航。

技術亮點

OMEGA系統通過OccMamba感知網絡與AGR-Planner規劃器實現端到端優化。

OccMamba網絡：

• 創新性地提出了一種三分支網絡結構，將語義和幾何預測解耦為不同的部分，通過集成Sem-Mamba與Geo-Mamba模塊，高效地進行3D語義占用預測。

• 引入Mamba狀態空間模型，利用線性復雜度捕獲長距離依賴。

• 特征投影至BEV空間融合，計算負載降低37%（22.1 FPS實時推理）。

AGR-Planner規劃器：

• ESDF-Free路徑搜索：結合Kinodynamic A*算法與梯度優化，規劃時間從6.5s縮短至0.8s。

• 引入能量消耗約束項，讓空地模式切換的決策效率提升3倍。

實機驗證

• 在SemanticKITTI數據集上，OccMamba的mIoU達25.0（SOTA）

• 實測動態環境規劃耗時僅0.8秒，成功率98%

開源鏈接

https://jmwang0117.github.io/OMEGA/

OccRWKV 3D語義占用網絡

現有3D語義占據網絡普遍存在計算冗余，而OccRWKV是首個基于RWKV架構設計的3D語義占用網絡，能夠實現線性復雜度的全局特征建模。

技術突破

• **雙支路解耦設計：**將語義預測（識別物體類別）與幾何預測（判斷占據空間）分離為獨立分支，避免特征干擾。

• **RWKV注意力機制：**通過類似人腦記憶的循環網絡結構，在包含256×256×32個三維單元的立體地圖中，用線性增長的計算量實現跨區域特征關聯。

• **BEV空間投影：**將三維特征壓縮至鳥瞰圖空間融合，計算量降低78.5%。

實驗驗證

• 部署速度22.2 FPS（Jetson Xavier NX）滿足機器人實時需求。

• 零樣本遷移實驗顯示，在未知環境導航任務中移動時間降低16.5%。

開源鏈接

https://jmwang0117.github.io/OccRWKV/