StratMamba: Strategic and Reactive Stream Partitioning for Path-Efficient LiDAR-Based Obstacle Avoidance

📄 arXiv: 2607.12370v1 📥 PDF

作者: Hung-Chieh Wu, Xiaopan Zhang, Kasra Sinaei, Ryan Abnavi, Kasun Weerakoon, Christopher Bradley, Seyed Fakoorian, Jiachen Li, Donald Ebeigbe

分类: cs.RO

发布日期: 2026-07-14

备注: Accepted to IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026). 8 pages, 6 figures. Video: https://www.youtube.com/watch?v=Z0FfO_AVaSw

💡 一句话要点

提出StratMamba以解决复杂环境中的障碍物规避问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)

关键词: 障碍物规避 LiDAR 机器人导航 时间建模 双流记忆 路径优化 动态环境 深度学习

📋 核心要点

  1. 现有方法在复杂和障碍物丰富的环境中，难以有效捕捉长时间依赖关系，导致导航性能不足。
  2. StratMamba通过双流记忆架构，结合快速和慢速衰减的记忆，分别处理反应式和战略性信息，从而提升导航效率。
  3. 实验结果显示，StratMamba在多个障碍物规避场景中表现优异，导航速度和路径效率均优于LSTM、Transformer和Vanilla-Mamba等基线方法。

📝 摘要（中文）

本文提出了StratMamba，一种基于双流Mamba的时间建模架构，旨在更高效地捕捉机器人在复杂障碍环境中导航所需的长时间依赖关系。StratMamba结合了快速衰减和慢速衰减的记忆架构，快速衰减部分处理高频LiDAR数据以实现反应式障碍物规避，而慢速衰减部分则维护更长时间范围的目标信息以进行战略规划。通过在IsaacLab和Gazebo中进行广泛评估，并在Unitree GO1四足机器人上成功验证了从模拟到现实的部署，结果表明StratMamba在时间推理效率和路径最优性方面均优于其他基线方法。

🔬 方法详解

问题定义：本文旨在解决机器人在复杂环境中进行障碍物规避时，现有方法在捕捉长时间依赖关系方面的不足，导致导航效率低下的问题。

核心思路：StratMamba的核心思路是采用双流记忆架构，快速衰减部分用于处理实时的高频LiDAR数据，以实现快速反应；慢速衰减部分则用于维护长期目标信息，以支持战略规划。这样的设计使得机器人能够在动态环境中更灵活地应对障碍物。

技术框架：StratMamba的整体架构包括两个主要模块：快速衰减模块和慢速衰减模块。快速衰减模块负责实时数据处理，确保机器人能够快速反应；慢速衰减模块则负责长期目标的维护，确保导航的战略性。

关键创新：StratMamba的主要创新在于其双流记忆架构的设计，能够有效平衡反应式安全性与战略性导航，显著提升了在复杂环境中的导航性能。这一设计与传统的单一记忆架构方法有本质区别。

关键设计：在参数设置上，StratMamba对快速和慢速衰减的时间常数进行了优化，以适应不同的环境需求。此外，网络结构采用了改进的Mamba架构，结合了时间序列数据处理的最新技术，确保了高效的时间推理能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，StratMamba在多个障碍物规避场景中表现优异，导航速度达到576步，较Vanilla-Mamba提升5.0%；路径效率为0.915，显示出在时间推理效率和路径最优性方面的显著优势。

🎯 应用场景

该研究的潜在应用领域包括自动驾驶、无人机导航和服务机器人等。通过提升机器人在复杂环境中的导航能力，StratMamba能够有效应对动态障碍物，提高安全性和效率，具有广泛的实际价值和未来影响。

📄 摘要（原文）

This paper proposes StratMamba, a dual-stream Mamba-based temporal modeling architecture, to more efficiently capture long-horizon temporal dependencies required for robot navigation in complex and obstacle-rich environments. StratMamba leverages a combination of fast-decay and slow-decay memory architectures, where the fast-decay component processes high-frequency LiDAR data for reactive obstacle avoidance, while the slow-decay component maintains longer-horizon goal information for strategic planning. We perform extensive evaluations of different obstacle avoidance scenarios in IsaacLab and Gazebo, while also validating successful sim-to-real deployment on a Unitree GO1 quadruped robot navigating in the presence of static/dynamic obstacles. Comparisons with other temporal RL baselines, such as LSTM, Transformer, and Vanilla-Mamba, show that our StratMamba achieves exceptional temporal reasoning efficiency with a lower timeout rate, while maintaining the fastest navigation speed (576 median steps, 5.0% better than Vanilla-Mamba). It also achieves the highest path optimality (0.915 path efficiency) across all baselines. Real-world evaluation reveals that StratMamba maintains more robust performance across extended LiDAR ranges compared to vanilla Mamba and the Transformer, demonstrating that dual-stream partitioning effectively balances reactive safety with strategic navigation under challenging sensing conditions.