在这篇提交至 arXiv 的论文中，作者 Junsik Eom 与一位合著者提出了一种无需假设真实不确定分布的风险感知规划与控制框架，旨在解决动态不确定环境下安全导航对不确定性建模高度依赖的问题。论文于 2026 年 6 月 2 日提交，归类于机器人学（cs.RO），并已投稿至 IEEE Robotics and Automation Letters。
研究动机来自一个现实困境：在动态且充满不确定性的环境中实现安全导航，通常需要准确估计或对真实底层不确定性做出假设。然而，由于数据有限或信息不完整，精确刻画真实的不确定性分布往往十分困难。作者指出，对不确定性及其相关风险的理解一旦出现偏差，即使系统采取很高的风险厌恶程度，也可能导致危险决策。换言之，风险厌恶并不能弥补分布假设错误带来的隐患。
为解决这一问题，作者提出了一个风险感知模型预测控制（RA-MPC）框架，该框架将预测集纳入控制流程，从而在不需要对底层不确定性分布作任何假设的前提下，保证风险被控制在用户指定的阈值以下。为生成这些预测集，研究团队开发了一套无分布风险量化框架，其核心是将共形风险控制（CRC）扩展到一般的谱风险度量（spectral risk measures）。这使得方法能够处理比传统共形预测更广泛的风险形式。
论文进一步给出了理论保证：将预测集嵌入 MPC 框架后，即便在不确定性模型被错误设定的情况下，系统仍能在谱风险约束满足方面获得统计意义上的安全保证。这一结论是该方法相对传统风险感知控制的显著优势，因为传统方法的安全性通常依赖于不确定性模型本身的正确性。
在实验验证方面，作者在模拟的车辆避障场景中测试了所提框架。结果显示，与基线 RA-MPC 框架相比，新方法在提升安全性的同时减少了求解时间，表明该框架不仅在理论上有保证，在计算效率上也具备实用价值。论文附带 168 KB 的提交内容，并提供 PDF、实验性 HTML 及 TeX 源码等多种访问形式。