面向动态环境的语义风险感知启发式机器人导航规划
机器人学
2026-05-05 v1
摘要
将大型语言模型（LLM）推理原理集成到经典机器人路径规划中代表一个快速发展的研究方向。本文提出一种语义风险感知启发式规划器（SRAH），将编码化学杂乱或高风险区域的代价函数纳入 A 搜索框架，并在动态障碍检测后进行闭环重规划。我们在 15×15 的网格世界中进行 200 场随机实验，静态障碍密度为 20%，并引入随机动态障碍。SRAH 实现了 62.0% 的任务成功率，显著优于采用重规划的广度优先搜索（BFS，56.5%）和不采用重规划的贪心启发式（Greedy，4.0%）。我们进一步分析了规划开销、路径效率与失败恢复次数之间的权衡，并通过障碍密度消融实验表明，语义代价塑形在不同难度环境中均一致性地提升了导航性能。我们的结果表明，即便是轻量级的 LLM 启发式启发式，亦能为自主机器人导航提供可衡量的安全性和鲁棒性提升。
引用
@article{arxiv.2605.02862,
title = {Semantic Risk-Aware Heuristic Planning for Robotic Navigation in Dynamic Environments: An LLM-Inspired Approach},
author = {Hamza Ahmed Durrani and Rafay Suleman Durrani},
journal= {arXiv preprint arXiv:2605.02862},
year = {2026}
}
备注
5 pages, 5 figures. Experimental study on semantic risk-aware heuristic planning for robotic navigation