基于动态知识图谱推理的机器人火灾风险检测：一种由LLM驱动的图链思考方法
机器人学
2025-09-09 v2 人工智能
摘要
火灾是一种高度破坏性的灾难，但有效的预防可以显著减少其发生概率。在发生时，部署应急机器人进入火灾风险场景可帮助降低对人类应急人员的危险。然而，当前关于事前警报和灾后救援的研究仍面临显著挑战，包括感知不完整、火灾情感 awareness不足以及响应延迟。为了增强机器人在火灾情境下的智能感知和响应规划，本文首先通过利用大语言模型（LLM）整合来自火灾防控指南的专业知识，以及来自机器人应急响应文件的火灾救援任务信息，构建知识图谱（KG）。随后，我们提出了名为Insights-on-Graph（IOG）的新框架，将KG的结构化火灾信息与大型多模态模型（LMM）集成。该框架从实时场景图像生成感知驱动的风险图谱，以实现早期火灾风险检测，并为任务模块和机器人组件配置提供可解释的应急响应。广泛的仿真和实际实验表明，IOG在火灾风险检测和救援决策方面具有良好的适用性和实际应用价值。
引用
@article{arxiv.2509.00054,
title = {Robotic Fire Risk Detection based on Dynamic Knowledge Graph Reasoning: An LLM-Driven Approach with Graph Chain-of-Thought},
author = {Haimei Pan and Jiyun Zhang and Qinxi Wei and Xiongnan Jin and Chen Xinkai and Jie Cheng},
journal= {arXiv preprint arXiv:2509.00054},
year = {2025}
}
备注
We have decided to withdraw this paper as the work is still undergoing further refinement. To ensure the clarity of the results, we prefer to make additional improvements before resubmission. We appreciate the readers' understanding