移动机器人可能在碰撞发生前就已失败：当前安全的速度可能会使机器人陷入移动障碍物即将封闭的通道。这种“预测性近失承诺”问题指的是，当前的速度指令虽然暂时无碰撞，却可能导致机器人在不久的将来陷入不可避免的碰撞风险中。为了解决这一问题，Zhengye Han等作者提出了一种名为风险敏感的推想场景规划（Risk-Sensitive Conjectural Scenario Planning, RCSP）的规划层，该层通过评估候选命令在多种合理的短期障碍物未来场景下的表现来做出决策。
RCSP的核心思想是维护一个关于局部运动推测的轻量级信念，并在此基础上采样未来的交互场景。与传统的非自适应预测器不同，RCSP不仅考虑最可能的未来，还会对高风险尾部场景施加惩罚，从而避免选择那些虽然平均表现良好但存在小概率灾难性后果的动作。此外，RCSP在最终执行前还会通过一个局部安全检查来进一步确保安全性。这种分层设计使得RCSP能够作为一种即插即用的风险预测模块，与现有的导航栈（如Nav2）配合使用。
在受控的MuJoCo瓶颈任务中，研究团队对RCSP进行了评估。实验结果表明，RCSP规划器能够无碰撞地到达目标，并且在次级安全指标和路径质量点估计上优于非自适应预测器，尽管这带来了一定的额外延迟。这表明RCSP在需要高度安全性的场景中具有优势，但实时性要求极高的场景可能需要权衡。
为了验证RCSP在更真实环境中的效果，作者在ROS2/Gazebo仿真中将其局部安全层添加到了标准的Nav2导航栈中。结果显示，加入RCSP安全层后，动态近失故障的数量有所减少，证明了RCSP作为现有导航系统安全增强模块的潜力。
然而，研究也揭示了RCSP的局限性。在官方的DynaBARN/Jackal迁移测试中，经过调优的动态窗口方法（DWA）和时间弹性带（TEB）在严格基准成功率上仍然表现更强。这表明RCSP并非旨在替代现有的优秀规划器，而是在动态瓶颈区域中作为预测性风险模块来补充它们。RCSP的优势在于处理那些传统方法可能忽略的预测性承诺风险，但它在整体成功率上可能不如专门针对特定环境调优的算法。
总体而言，这项研究将RCSP定位为一种补充性技术，适用于动态瓶颈场景。未来的工作可能会进一步优化RCSP的计算效率，并探索其与学习型预测器的结合，以在保持安全性的同时提高成功率。该论文已提交至arXiv（编号2605.26348），属于机器人学（cs.RO）领域，展示了在动态环境中实现安全导航的新思路。