Closing the Perception-Action Loop for Semantically Safe Navigation in Semi-Static Environments

自主导航机器人在不断变化的环境中需要适应性导航策略以确保长期安全运行。尽管许多现代控制范例提供理论保证，但它们通常假设已知外在安全约束，忽视了在真实世界环境中部署时可能出现的挑战，如物体随时间出现、消失和移动。本文提出了一个闭环感知-动作管道来弥合这个差距。我们的系统将在线构建的密集地图和物体级别的语义和一致性估计编码到控制屏障函数（CBF）中，以调节场景中的安全区域。模型预测控制器（MPC）利用基于CBF的安全约束来调整其导航行为，这在潜在的场景变化发生时尤为重要。我们在模拟和实际实验中测试了该系统，以展示语义信息和场景变化处理对机器人行为的影响，验证了我们方法的实用性。

论文旨在解决自主机器人在不断变化的环境中导航时的安全问题，这需要适应性导航策略来保证长期安全运行。

论文提出了一种闭环感知-行动管道，将在线构建的稠密地图和基于对象级语义和一致性估计的控制屏障函数编码到控制器中，以调节场景中的安全区域。

论文在模拟和实际实验中测试了系统，证明了语义信息和场景变化处理对机器人行为的影响，验证了他们方法的实用性。

近期相关研究包括：1. Learning Navigation Behaviors End-to-End with AutoRL；2. Semantic MapNet: Building Allocentric Semantic Maps and Representations from Egocentric Views；3. Learning Safety Specifications with Markov Decision Processes。