💻 computer science

Safe Planning in Unknown Environments Using Conformalized Semantic Maps

本文提出了一种无需先验传感器模型或噪声分布知识的新型语义规划方法，通过结合在线构建的语义地图与分布无关的共形预测技术，在感知不确定性的未知环境中实现了具有用户指定成功概率保证的语义避障路径规划。

原作者： David Smith Sundarsingh, Yifei Li, Tianji Tang, George J. Pappas, Nikolay Atanasov, Yiannis Kantaros

发布于 2026-02-23

📖 1 分钟阅读☕ 轻松阅读

原作者： David Smith Sundarsingh, Yifei Li, Tianji Tang, George J. Pappas, Nikolay Atanasov, Yiannis Kantaros

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文讲述了一个关于机器人如何在“看不清”的世界里安全导航的故事。

想象一下，你让一个机器人去一个完全陌生的房间找东西。这个房间里有一些障碍物，比如椅子、桌子，甚至可能还有猫。但是，机器人的“眼睛”（摄像头和传感器）并不完美：它可能会把猫看成一团模糊的影子，或者把椅子误认成桌子。

传统的机器人规划方法通常有两种做法：

盲目自信：机器人觉得它看到的“就是真相”。如果它把猫看成了桌子，它可能会直接撞上去，因为它以为那里只是家具。
过度依赖模型：机器人假设它的眼睛误差是符合某种数学公式的（比如高斯分布），如果现实世界不遵守这个公式，机器人就会出错。

这篇论文提出了一种全新的方法，叫**“基于共形化语义地图的安全规划”**。我们可以用三个生动的比喻来理解它：

1. 核心问题：机器人眼中的“迷雾”

想象机器人戴着一副有雾气的护目镜。

它能看到房间的大致轮廓，也能识别出“那是树”、“那是车”。
但是，雾气让它无法 100% 确定：那个模糊的影子到底是人（需要保持 4 米距离）还是树（只需要保持 0.5 米距离）？
如果机器人误判了，把“人”当成了“树”，它靠得太近，就违反了安全规则，甚至可能伤人。

2. 解决方案：给机器人一个“安全保险箱”

这篇论文的核心创新在于，它不再试图猜“那个影子到底是什么”，而是给机器人一个**“可能性保险箱”**。

传统做法：机器人说：“我有 80% 的把握那是树，20% 是车。我就按树来走。”（风险：如果那是车，你就撞上了）。
这篇论文的做法（共形预测 Conformal Prediction）：
机器人说：“我不确定那是树还是车。为了100% 安全，我把‘树’、‘车’和‘空地’都装进我的保险箱里。在没搞清楚之前，我把它当作最危险的情况来处理。”
- 如果保险箱里既有“树”又有“车”，机器人就会想：“既然可能是车，那我就离得远点（比如保持 3 米）。”
- 这样，无论那个影子实际上是树还是车，机器人都是安全的。

3. 如何保证这个“保险箱”是可靠的？（校准过程）

你可能会问：“你怎么知道这个保险箱真的能装下真相？万一你漏掉了‘人’呢？”

这就用到了论文中的**“校准”**环节：

训练阶段：在机器人正式出发前，我们先让它在一个已知真相的模拟房间里走几圈（就像让司机在驾校练车）。
统计误差：我们观察机器人在这几圈里“看走眼”了多少次。比如，它发现自己在 95% 的情况下，都能把正确的物体包含在它的“保险箱”里。
设定目标：如果用户要求“我要 95% 的安全率”，机器人就会根据刚才的统计，调整它的保险箱大小。如果它发现之前的保险箱太小了，不够装下 95% 的真相，它就会把保险箱撑大一点，直到满足要求。

关键点：这个过程不需要知道摄像头具体的物理误差公式，也不需要知道噪声是怎么分布的。它只通过“看结果”来调整“保险箱”的大小。这就像你不需要知道天气变化的物理公式，只需要看过去几天的天气预报准不准，就能决定明天带不带伞。

4. 机器人的行动策略：探索与利用

有了这个“保险箱”，机器人怎么走路呢？它有两种模式：

利用模式（Exploitation）：
如果保险箱里的选项很少（比如只确定了是“空地”），机器人就自信地规划一条最短路径冲向目标。
探索模式（Exploration）：
如果保险箱很大（比如某个地方既可能是“人”也可能是“车”，导致机器人不敢靠近），机器人就会想：“这里太危险了，我得绕过去看看，或者换个角度拍张照，把这个模糊的影子看清楚。”
- 一旦看清了，保险箱就变小了（比如确定是“人”了），机器人就可以继续前进。

5. 实验结果：更慢，但更安全

论文在仿真和真实机器人（像那种带轮子的移动小车）上做了测试。

结果：使用这种方法的机器人，虽然有时候会多走一点路（因为它更谨慎，或者花时间去探索未知区域），但它的任务成功率远高于那些“盲目自信”或“过度依赖模型”的机器人。
比喻：就像开车。
- 旧方法：老司机凭经验开，觉得前面没车就加速，结果突然窜出一只猫，撞上了。
- 新方法：新手司机，只要看到前面有模糊的影子，就假设那是行人，提前减速、绕路。虽然开得慢一点，但绝对不会撞到行人。

总结

这篇论文就像给机器人装上了一个**“基于统计学的安全护盾”**。它不依赖复杂的物理模型，而是通过“先试错、后校准”的方式，确保机器人即使在看不清、看不准的情况下，也能以用户指定的高概率（比如 95% 或 99%）安全地完成任务。

一句话概括：

当机器人看不清前方是“树”还是“人”时，它不再盲目猜测，而是假设最坏的情况（那是人），并以此规划路线，直到它真正看清为止。这种方法不需要知道摄像头有多“晕”，却能保证极高的安全性。

这是一份关于论文《Safe Planning in Unknown Environments Using Conformalized Semantic Maps》（利用共形化语义地图在未知环境中进行安全规划）的详细技术总结。

1. 研究背景与问题定义 (Problem Statement)

核心问题：
在未知环境中，机器人面临感知不确定性（Perceptual Uncertainty）时，如何完成语义到达 - 避障任务（Semantic Reach-Avoid Tasks）。

任务描述： 机器人需要到达目标区域，同时必须与不同语义类别的物体（如树木、车辆、行人）保持类别依赖的安全距离（例如：离车保持 3 米，离树保持 1 米）。
挑战：
- 环境中的物体位置和语义类别初始未知。
- 现有的感知系统（如语义分割）存在噪声和不确定性。
- 现有规划方法通常将感知输出视为“真值”（忽略不确定性，导致缺乏正确性保证），或者假设已知传感器模型和高斯噪声（在实际中往往不成立）。
目标： 设计一种规划算法，在不依赖任何传感器模型或噪声分布假设的前提下，以用户定义的概率（ $1-\alpha$ ）完成任务。

2. 方法论 (Methodology)

该论文提出了一种基于**共形预测（Conformal Prediction, CP）**的框架，主要包含三个核心组件：

A. 语义地图构建 (Semantic Mapping)

机器人利用现有的语义映射算法（如基于深度图像和语义分割的融合），在线构建多类别的语义网格地图。
每个网格单元 $j$ 维护一个概率质量函数（PMF），表示该单元属于各类别 $k$ 的概率 $p_t(m_j=k)$ 。
关键局限： 这些概率通常不是真实的概率分布，直接用于规划无法保证安全性。

B. 语义地图的共形化 (Conformalization of Semantic Maps)

这是本文的核心创新。利用**共形预测（CP）**这一统计工具，在不假设数据分布的情况下量化地图的不确定性。

校准阶段 (Calibration)： 使用一组已知真值的校准环境 $\{\Omega_i\}$ ，计算非一致性分数（Non-Conformity Score, NCS）。NCS 定义为在任意路径上，地图预测概率与真实标签之间的最大误差（即 $1 - p_t(m_j = k_{gt})$ 的最大值）。
阈值确定： 根据校准集的 NCS 分布，计算分位数 $\hat{s}$ ，使得真值落在预测集内的概率至少为 $1-\alpha$ 。
预测集构建 (Prediction Sets)： 在测试环境中，对于每个网格单元 $j$ $j$ ，构建一个标签集合 $C_j(m_t)$ $C_{j} (m_{t})$ ，包含所有满足 $p_t(m_j=k) \ge 1-\hat{s}$ $p_{t} (m_{j} = k) \geq 1 - \overset{s}{^}$ 的类别 $k$ $k$ 。
- 性质： 以 $1-\alpha$ 的概率，所有网格单元的真实标签都包含在对应的预测集 $C_j$ 中。

C. 安全规划算法 (Safe Planning Algorithm)

规划器利用预测集 $C_j$ 进行路径生成，采用**“利用 - 探索” (Exploitation-Exploration)** 策略：

保守标签选择： 对于每个网格单元，从预测集 $C_j$ 中选择最保守的标签（即要求安全距离 $d_k$ 最大的那个类别）。
利用模式 (Exploitation)： 如果基于保守标签存在可行路径到达目标，则直接执行该路径。
探索模式 (Exploration)： 如果由于不确定性过大（预测集过大导致无可行路径），规划器切换到探索模式，生成路径以收集更多信息，缩小预测集的大小，直到重新进入利用模式。
终止条件： 当机器人到达目标区域且满足所有安全约束时停止。

3. 主要贡献 (Key Contributions)

首个无模型假设的语义规划器： 提出了第一个能在未知环境中处理语义到达 - 避障任务的规划器，能够在不依赖传感器模型或噪声分布假设的情况下，实现用户指定的任务完成率。
首次应用共形预测量化语义地图不确定性： 将共形预测（CP）应用于现有映射算法生成的语义地图，以模型无关（Model-agnostic）的方式量化不确定性，并生成具有概率保证的预测集。
理论保证与实验验证：
- 从理论上证明了生成的路径以 $1-\alpha$ 的概率满足任务要求（考虑了映射误差）。
- 通过大量实验验证了理论保证，并展示了该方法在任务成功率上显著优于基线方法。

4. 实验结果 (Experimental Results)

实验在仿真（Gazebo + Husky 机器人）和真实硬件（Jackal 机器人 + RealSense 相机）上进行。

对比基线：
- UA (Uncertainty-Agnostic)： 忽略不确定性，直接使用最可能的标签。
- UI (Uncertainty-Informed)： 将映射算法输出的概率视为真实概率，构建启发式预测集。
- 本文方法 (Ours)： 基于共形预测的保守规划。
关键数据表现 (以 95% 成功率要求为例)：
- 任务成功率 (Mission Success Rate)： 本文方法达到 98.36%，显著高于 UI (93.33%) 和 UA (65.57%)。
- 地图预测集覆盖率 (Mapping Success Rate)： 本文方法达到 93.36%（接近理论值 95%），验证了共形预测的有效性。
- 路径长度与探索比例： 随着要求的安全概率 ( $1-\alpha$ ) 提高，路径长度和探索比例会增加，这是为了换取更高的安全性而付出的必要代价（保守性）。
失败案例分析：
- 基线方法（特别是 UA）常因部分遮挡（如行人被树遮挡）导致标签错误（将“人”误判为“树”），由于“人”的安全距离要求通常比“树”大，导致安全违规。
- 本文方法通过构建包含“人”、“树”和“空地”的预测集，强制规划器选择最保守的“人”标签，从而避免了碰撞。
分布外 (OOD) 测试： 在光照变化（黄昏/黎明）和树木数量变化的 OOD 场景下，虽然性能略有下降，但任务成功率仍保持在设定阈值之上，显示出鲁棒性。

5. 意义与总结 (Significance)

理论突破： 解决了语义规划中感知不确定性难以量化且缺乏理论保证的难题。通过引入共形预测，将“黑盒”的深度学习感知输出转化为具有统计保证的置信集合。
实际应用价值： 为自动驾驶、服务机器人等在复杂未知环境中执行高安全性任务提供了可靠的规划框架。它不再依赖难以精确建模的传感器噪声特性，而是通过数据驱动的方式校准不确定性。
权衡机制： 清晰地展示了安全性（高成功率）与效率（路径长度、探索时间）之间的权衡，允许用户根据任务风险偏好调整参数 $\alpha$ 。

总结： 该论文提出了一种基于共形预测的语义规划框架，通过构建包含真实标签的预测集并采用最保守策略，在无需传感器模型假设的情况下，实现了未知环境中语义任务的高概率安全完成。实验证明其显著优于现有的忽略不确定性或依赖启发式概率的方法。