機器人操作臂在非結構化環境中執行目標導向任務時，由於動態和不可預見的障礙物，面臨着重大挑戰。傳統方法依賴於先驗知識或固定感知流水線，適應性有限。為此，研究人員提出了RoboNav-Arm框架，這是一種基於Agentic AI的導航與避障系統。該框架由多個模塊協同工作，旨在實現安全、高效的任務執行。
環境模塊是系統的感知核心，負責實時障礙物檢測、3D定位以及地面表面幾何估計。它生成結構化的語義報告，包含障礙物位置、物體幾何形狀，以及障礙物是位於關鍵交互區域內、外還是邊界上。中央協調模塊則充當系統的大腦，管理工具調用（例如內存更新和MoveIt碰撞場景更新），促進模塊間通信，並持續監控任務進度直至完成。規劃模塊根據當前環境配置和任務目標，從RRTConnect、RRT*或BiTRRT等算法中選擇最合適的運動規劃算法。生成的軌跡經過進一步分析和優化，確保任務執行安全且無碰撞。
研究團隊在Gazebo Classic仿真環境中對RoboNav-Arm進行了評估，結果顯示其在動態場景下具有魯棒性。該工作由Aachal Sharma和Narendra Kumar Dhar完成，論文於2026年6月25日提交至arXiv（編號2607.09716）。該框架為解決機器人操作臂在雜亂環境中的導航與避障問題提供了一個有效的解決方案，尤其適用於需要高適應性的工業和服務機器人場景。