本研究探讨了人类在有限资源下形成有效世界表征的方式，提出了认知地图作为生成性程序的概念。实验结果表明，人们在结构化空间中导航时采用模块化规划策略，计算模型展示了人类在不同场景下的行为预测能力，表明规划策略依赖于程序化的认知地图。

李飞飞和谢赛宁的新研究探讨了多模态大模型的空间推理能力，发现这些模型在空间认知上与人类存在显著差距。研究提出了VSI-Bench基准测试，评估模型在视觉空间智能方面的表现，结果显示人类准确率为79%，而最佳模型仅为48.8%。此外，语言提示技术未能提升模型表现，反而导致下降，强调了认知地图在空间推理中的潜力。

本研究提出了一种新颖的计算模型，通过动态扩展认知地图，增强自主体在复杂环境中的导航能力。该模型借鉴动物导航策略，能够快速学习环境结构，并在没有先验知识的情况下进行有效导航。

本文探讨了活跃推理理论及其在机器人导航中的应用，介绍了多种基于深度学习的主动推理模型，如Active Neural SLAM和FarMap，强调了智能体在动态环境中学习和探索的能力。研究展示了认知地图和空间感知在导航中的重要性，并提出了新的分层模型和算法，以提高复杂环境中的规划效率。

本文介绍了一种名为CMA的自动驾驶模型，该模型模拟人类视觉和认知，结合认知地图实现注意机制和记忆。CMA解决了自由空间检测、障碍物估算和驾驶行为学习等任务，并提出了多模态融合和疲劳驾驶检测模型，提升了分类性能和准确率。通过多任务协作框架和行为模型，增强了自主车辆与人类驾驶员的互动理解，确保驾驶安全。