RCSP：用于安全动态机器人导航的风险敏感推测场景规划
RCSP是一种预测性规划层，通过评估候选命令在短期障碍物未来中的风险来避免机器人的近失承诺问题。在MuJoCo、ROS2/Gazebo和DynaBARN/Jackal模拟中，RCSP提高了安全性和路径质量，但增加了延迟，揭示了其作为现有导航堆栈补充模块的边界。
文章情报
要点
- RCSP解决了移动机器人在动态环境中因未来障碍物闭合而失败的问题。
- 该规划层维护轻量级信念，采样未来交互，并惩罚高风险尾部。
- 在MuJoCo和ROS2/Gazebo实验中，RCSP减少了动态近失故障，但增加了延迟。
- 在DynaBARN/Jackal转移测试中，调优的DWA和TEB在严格基准成功率上仍占优。
为什么重要
这条新闻值得关注，因为RCSP解决了移动机器人在动态环境中因未来障碍物闭合而失败的问题。
技术影响
可能影响合规要求、模型发布节奏、数据治理和企业采购。
移动机器人在动态环境中面临一个独特的挑战：当前看似安全的运动速度，可能会因为移动障碍物随后的运动而导致机器人被封闭在即将关闭的通道中。这种现象被称为“预测性近失承诺问题”，是自主导航领域的一个关键难题。为应对这一问题，研究者提出了一种名为风险敏感推测场景规划（Risk-Sensitive Conjectural Scenario Planning，简称RCSP）的新型规划层。
RCSP的核心思想是，在机器人执行命令之前，不仅评估当前时刻的安全性，还要预测短期内障碍物可能的运动轨迹。它维护了一个关于局部运动推测的轻量级信念模型，通过对未来的多种交互场景进行采样，并特别惩罚那些高风险的可能性，从而选择最安全的命令。最终，通过局部安全检查来执行命令，确保机器人不会陷入危险境地。
在受控的MuJoCo瓶颈任务中，RCSP规划器成功实现了无碰撞到达目标，相比于非自适应预测器，它在次要安全性指标和路径质量方面表现更优，当然也付出了额外的计算延迟。随后，在ROS2/Gazebo环境下，将RCSP的局部安全层集成到标准的Nav2导航栈中，显著降低了动态近失故障的发生频率。
然而，在官方的DynaBARN/Jackal迁移测试中，经过调优的动态窗口法（DWA）和轨迹弹性带（TEB）在严格的基准成功率上仍然优于RCSP，这一结果揭示了该方法的局限性。总体而言，这些仿真实验表明，RCSP应该被定位为一个预测性风险模块，用于在动态瓶颈场景中补充现有的导航栈，而非完全替代它们。这一工作为未来自主导航系统在复杂动态环境中的安全性提升提供了新的思路。