在拥挤环境中实现安全导航，不仅需要避免碰撞，还需要协调各方有序通过。传统方法往往依赖通信、预设优先级或对邻居目标的建模，这些在动态、异构的群体中难以实现。为此，研究者提出了神经形态决策动力学（Neuromorphic Decision Dynamics，NDD），一种去中心化、基于事件的控制器，旨在为拥堵空间中的导航提供安全性、活性、鲁棒性和可扩展性保证。
NDD的核心思想是将安全且活跃的冲突消解设计为局部智能体交互的一种可控、可局部调节的涌现属性。每个智能体无需与其他智能体通信，也无需预先分配优先级，更不需要知道邻居的目标、未来动作或群体规模等全局信息。相反，NDD将智能体内部决策和注意力状态的动态变化与物理状态及局部观测到的相对运动耦合起来。每个智能体沿着预定路径连续调节速度，对冲突做出及时且适度的响应。
当智能体在局部感知到潜在冲突时，它们会自发组织成互不重叠的局部交互组。这些组内的智能体通过决策-动作反馈机制协同解决冲突。当某个组的冲突变得安全关键时，集体犹豫不决的状态会被打破，协调的冲突解决行为涌现出来，从而在组内稳定出一个安全的通行顺序。一旦冲突解除，这个顺序会保持，但组可能会分裂或合并，因为智能体会自主适应新的冲突，而已解决冲突的智能体则恢复其正常运动。
作者推导出了关于传感范围、反馈增益、响应时间尺度和执行器限制的明确条件，这些条件保证在有限时间内实现碰撞避免和通行顺序形成，并且对于任意规模、动态变化的有限异构智能体群体，不会出现死锁或活锁。计算成本与每个智能体感知到的局部交互数量成正比，因此具有良好的可扩展性。
为了验证NDD的有效性，研究者进行了大规模仿真、与现有方法的比较以及硬件实验。实验结果表明，NDD能够在复杂的拥堵场景中实现安全导航，并验证了其可扩展性。这项研究为多智能体系统在密集环境中的协调通行提供了一种无需通信、完全分布式的解决方案，有望应用于自动驾驶、机器人集群和人群管理等场景。