一项新的研究提出了一个理论架构，旨在将高级人类安全规则和操作员语义偏好无缝集成到自主机器人的导航系统中，特别是在非结构化户外环境中。该架构的核心是将自然语言规则转化为信号时序逻辑（STL）规范，从而指导机器人的实时规划与导航。
研究团队由Kristy Sakano、Kalonji Harrington和Mumu Xu组成，他们在提交给ICUAS 2026的论文中详细阐述了这一方法。该论文共8页，包含3幅图，即将在2026年国际无人航空系统会议（ICUAS）上发表。架构设计包含两个关键部分：持久性的环境规则和地形偏好被映射到二维成本图中，而时间动态需求则作为STL规范在运行时进行监控。这种双重机制确保了机器人既能遵守静态的安全约束，也能适应动态变化的环境条件，例如临时障碍或天气变化。
为了弥合人类指令与机器理解之间的鸿沟，该架构假设使用视觉语言模型（VLM）进行零样本场景理解。VLM能够将自然语言描述（如“避开湿滑区域”或“优先选择平坦路径”）直接映射到可衡量的环境属性上，而无需预先训练特定场景。这种方法显著提高了系统的灵活性和泛化能力，使得机器人可以在从未见过的环境中理解并执行语义偏好。
研究团队还构建了一个示例导航模型，以展示如何通过形式化满意度指标来同时满足STL编码的硬性约束和操作员的软偏好。这些指标被嵌入到环境属性中，并在运行时监控，从而确保导航决策在逻辑上可验证。这种形式化方法使得系统能够提供可解释的保证，证明机器人行为符合人类期望的安全规范。
该工作为自主导航系统的安全性和可解释性提供了坚实的理论基础，尤其适用于搜索救援、农业自动化和野外探索等对安全性要求极高的应用场景。论文的arXiv标识符为2605.04327，提交日期为2026年5月5日。