यह शोधपत्र एक नवीन अनुप्रयोग प्रस्तुत करता है जो वास्तविक दुनिया के स्वायत्त रोबोट में वास्तविक समय में बहु-चरणीय नियोजन और बाधा निवारण प्राप्त करने के लिए मॉडल सत्यापन का लाभ उठाता है। हम एक संक्षिप्त, अनुकूलित मॉडल सत्यापन एल्गोरिथम विकसित करते हैं जो जैविक कारकों में पाए जाने वाले "मूल" ज्ञान और ध्यान के आधार पर क्षेत्र में योजनाएँ तैयार करता है। यह वास्तविक समय में, कम-शक्ति वाले उपकरणों पर, पूर्व-गणना किए गए आँकड़ों के बिना, प्राप्त किया जाता है। यह स्थानीय पर्यावरणीय विक्षोभों का प्रतिकार करने के लिए उत्पन्न तदर्थ नियंत्रण प्रणालियों को जोड़ने की एक विधि पर निर्भर करता है जो स्वायत्त कारक को उसके इच्छित व्यवहार (या विश्राम अवस्था) से रोकते हैं। हम 2D LiDAR आँकड़ों के लिए एक नवीन विवेकीकरण तकनीक का उपयोग करते हैं जो स्थानीय पर्यावरण में सीमित परिवर्तनों के प्रति संवेदनशील है। हम अग्रगामी गहराई-प्रथम खोज के माध्यम से मॉडल सत्यापन का उपयोग करते हुए डेड-एंड और प्लेग्राउंड परिदृश्यों में बहु-चरणीय नियोजन लागू करते हैं। अनुभवजन्य परिणाम और इस दृष्टिकोण के दो मूलभूत गुणों के अनौपचारिक प्रदर्शन, दोनों ही प्रदर्शित करते हैं कि मॉडल सत्यापन का उपयोग कुशल बहु-चरणीय योजनाएँ तैयार करने के लिए किया जा सकता है, जिससे केवल एक चरण की योजना बनाने में सक्षम प्रतिक्रियाशील कारकों के प्रदर्शन में सुधार होता है। यह दृष्टिकोण स्वायत्त वाहनों के संदर्भ में सुरक्षित, विश्वसनीय और व्याख्या योग्य योजनाएं विकसित करने के लिए एक शैक्षिक केस स्टडी के रूप में कार्य करता है।
