一項新的研究提出了一個理論架構，旨在將高階人類安全規則和操作員語義偏好無縫整合到自主機器人的導航系統中，特別是在非結構化戶外環境中。該架構的核心是將自然語言規則轉化為訊號時序邏輯（STL）規範，從而指導機器人的即時規劃與導航。
研究團隊由Kristy Sakano、Kalonji Harrington和Mumu Xu組成，他們在提交給ICUAS 2026的論文中詳細闡述了這一方法。該論文共8頁，包含3幅圖，即將在2026年國際無人航空系統會議（ICUAS）上發表。架構設計包含兩個關鍵部分：永續性的環境規則和地形偏好被對映到二維成本圖中，而時間動態需求則作為STL規範在執行時進行監控。這種雙重機制確保了機器人既能遵守靜態的安全約束，也能適應動態變化的環境條件，例如臨時障礙或天氣變化。
為了彌合人類指令與機器理解之間的鴻溝，該架構假設使用視覺語言模型（VLM）進行零樣本場景理解。VLM能夠將自然語言描述（如“避開溼滑區域”或“優先選擇平坦路徑”）直接對映到可衡量的環境屬性上，而無需預先訓練特定場景。這種方法顯著提高了系統的靈活性和泛化能力，使得機器人可以在從未見過的環境中理解並執行語義偏好。
研究團隊還構建了一個示例導航模型，以展示如何透過形式化滿意度指標來同時滿足STL編碼的硬性約束和操作員的軟偏好。這些指標被嵌入到環境屬性中，並在執行時監控，從而確保導航決策在邏輯上可驗證。這種形式化方法使得系統能夠提供可解釋的保證，證明機器人行為符合人類期望的安全規範。
該工作為自主導航系統的安全性和可解釋性提供了堅實的理論基礎，尤其適用於搜尋救援、農業自動化和野外探索等對安全性要求極高的應用場景。論文的arXiv識別符號為2605.04327，提交日期為2026年5月5日。