RCSP：用於安全動態機器人導航的風險敏感推測場景規劃
RCSP是一種預測性規劃層，透過評估候選命令在短期障礙物未來中的風險來避免機器人的近失承諾問題。在MuJoCo、ROS2/Gazebo和DynaBARN/Jackal模擬中，RCSP提高了安全性和路徑質量，但增加了延遲，揭示了其作為現有導航堆疊補充模組的邊界。
文章情報
要點
- RCSP解決了移動機器人在動態環境中因未來障礙物閉合而失敗的問題。
- 該規劃層維護輕量級信念，取樣未來互動，並懲罰高風險尾部。
- 在MuJoCo和ROS2/Gazebo實驗中，RCSP減少了動態近失故障，但增加了延遲。
- 在DynaBARN/Jackal轉移測試中，調優的DWA和TEB在嚴格基準成功率上仍佔優。
為什麼重要
這條新聞值得關注，因為RCSP解決了移動機器人在動態環境中因未來障礙物閉合而失敗的問題。
技術影響
可能影響合規要求、模型釋出節奏、資料治理和企業採購。
移動機器人在動態環境中面臨一個獨特的挑戰：當前看似安全的運動速度，可能會因為移動障礙物隨後的運動而導致機器人被封閉在即將關閉的通道中。這種現象被稱為“預測性近失承諾問題”，是自主導航領域的一個關鍵難題。為應對這一問題，研究者提出了一種名為風險敏感推測場景規劃（Risk-Sensitive Conjectural Scenario Planning，簡稱RCSP）的新型規劃層。
RCSP的核心思想是，在機器人執行命令之前，不僅評估當前時刻的安全性，還要預測短期內障礙物可能的運動軌跡。它維護了一個關於區域性運動推測的輕量級信念模型，透過對未來的多種互動場景進行取樣，並特別懲罰那些高風險的可能性，從而選擇最安全的命令。最終，透過區域性安全檢查來執行命令，確保機器人不會陷入危險境地。
在受控的MuJoCo瓶頸任務中，RCSP規劃器成功實現了無碰撞到達目標，相比於非自適應預測器，它在次要安全性指標和路徑質量方面表現更優，當然也付出了額外的計算延遲。隨後，在ROS2/Gazebo環境下，將RCSP的區域性安全層整合到標準的Nav2導航棧中，顯著降低了動態近失故障的發生頻率。
然而，在官方的DynaBARN/Jackal遷移測試中，經過調優的動態視窗法（DWA）和軌跡彈性帶（TEB）在嚴格的基準成功率上仍然優於RCSP，這一結果揭示了該方法的侷限性。總體而言，這些模擬實驗表明，RCSP應該被定位為一個預測性風險模組，用於在動態瓶頸場景中補充現有的導航棧，而非完全替代它們。這一工作為未來自主導航系統在複雜動態環境中的安全性提升提供了新的思路。