Layered Risk Mapping for Autonomous Patient Transport in Expeditionary Medical Facilities

技术摘要：用于远征医疗设施中自主患者运输的分层风险映射

问题陈述
远征医疗设施（例如为应对埃博拉等疫情爆发而部署的设施）运行在一种独特的、具有挑战性的环境下，现有的机器人研究尚未充分解决这一环境。这些环境具有半结构化的混合地形（碎石、泥泞、临时木板路）以及动态的、受个人防护装备（PPE）限制的走廊。常规的患者运输在这些环境中会造成严重的运营负担：它消耗了大量的个人防护装备（PPE），分散了临床人员的床边护理精力，并增加了医护人员的感染风险。虽然自主轮椅可以作为吸收这种负荷的潜在方案，但标准的室内服务机器人或室外自主地面车辆（AGV）导航系统并不适用。室内系统通常依赖于预先映射的结构化环境，而室外系统往往无法考虑到患者运输的特定安全约束，也无法应对非结构化医疗设施地形的异质性。核心挑战在于，如何在不配备人类护送的情况下，在复杂的混合室内外环境中实现安全、完全自主的患者运输，同时应对地形坡度、静态/动态障碍物以及语义可通行性等复杂危险。

方法论
作者提出了一种分层风险映射框架，旨在将异构的环境危险融合为一个统一的概率代价曲面。该系统运行在配备 RGB-D 相机和车载计算单元的商用 Quickie Q500M 中轮驱动动力轮椅上。

1. 风险层定义： 该框架构建了四个不同的 2D 风险网格，每个网格代表一个特定的危险源：

   • 地形坡度 ($R_{slope}$)：源自全球高程数据（FABDEM/Copernicus GLO-30）。风险根据残疾人通道法案（ADA）和制造商（Sunrise Medical）的操作限制进行分级。坡度 <5° 为安全；5°–8° 为中度风险；8°–20° 为高风险；>20° 被分配为最大风险（即刻翻车）。
   • 语义可通行性 ($R_{terr}$)：通过在 RGB-D 流上微调的 SegFormer-B2 模型进行估计。语义标签（如草地、泥泞、道路、水）根据机械交互作用和打滑风险被映射为可通行代价。
   • 静态障碍物 ($R_{static}$)：通过融合 RGB-D 和惯性数据的 RTAB-Map 生成全局一致的 3D 点云，并将其离散化为占据网格。
   • 动态障碍物 ($R_{dyn}$)：通过来自 RTAB-Map 流的实时更新进行填充，将移动危险（如人员）视为致命代价。

2. 概率融合（Noisy-OR）： 该框架没有使用启发式的最大值混合或加性代价图（这些方法可能会稀释风险或产生人工阻碍），而是采用了概率 Noisy-OR 融合模型。每个风险层都被归一化为一个概率指数 ($\mu_i$)，代表发生安全违规的独立概率。融合风险 ($\mu_{fused}$) 计算为至少发生一次违规的联合概率：
   $$\mu_{fused} = 1 - \prod_{i} (1 - \mu_i)$$
   这种方法确保了独立的失效模式是按概率叠加的，而不是被单个层级所主导。

3. 规划栈： 统一的代价曲面驱动一个**模型预测路径积分（MPPI）**局部规划器。该规划器在单轮动力学模型下进行随机轨迹采样，以优化一个平衡了目标趋近度、方向对齐度和融合风险曲面的代价函数。

核心贡献

• 新颖的应用领域： 本文将用于远征医疗设施中的自主患者运输形式化为一种需要混合室内外导航的独特运行机制。
• 分层风险框架： 引入了一个框架，利用 Noisy-OR 模型概率性地融合了四个独立的危险层（坡度、静态/动态障碍物、语义可通行性），解决了确定性层级混合的局限性。
• 实证验证： 通过配对的蒙特卡洛模拟研究以及在商用动力轮椅上进行的三个任务剖面的真实世界实验进行了验证，任务包括：分诊（分诊区到模块）、设施内转移以及撤离（模块到出院）。

结果

• 模拟： 在一个具有不同危险密度的爆发式野战医院 Gazebo 模拟中，Noisy-OR 融合方法显著优于无风险基准和其他融合策略（如 Log-odds, Maximum）。
  • 碰撞减少： 风险感知规划将碰撞率从（无风险基准下的）73.3%–82.2% 降低到了所有密度下的 32% 以下。
  • 障碍物间距： 与基准（0.14–0.17 m）相比，Noisy-OR 方法保持了最高且最稳定的障碍物间距（约 0.50 m）。
  • 风险暴露： 高风险区域进入率从超过 44% 降至 13.4% 以下。值得注意的是，Noisy-OR 实现了最低的条件峰值风险（0.47–0.55），这表明当其穿越边缘风险区域时，暴露的严重程度得到了严格控制。
• 真实世界验证： 系统成功执行了在受控室内环境和具有高程变化的非结构化室外草地地形中的所有三个任务剖面。规划器能够动态绕过危险的地块和地形变化。
  • 局限性： 作者指出，当前的在板计算（基于笔记本电脑）会在语义分割和规划之间产生资源竞争。此外，视觉 SLAM（RTAB-Map）在特征稀疏的室外环境中会出现跟踪漂移，影响局部规划精度。

意义与主张
本文声称该架构成功满足了此前未被解决的安全关键领域的规划需求。通过证明 Noisy-OR 融合模型可以有效管理混合地形和动态障碍物的复合风险，这项工作验证了在远征环境下进行自主患者运输的可行性。作者强调，我们的方法能够防止在激增条件下对人员和感染控制资源的“双重消耗”。研究结论认为，尽管目前在 SLAM 鲁棒性和硬件集成方面存在局限性，但所提出的框架为未来减少爆发应对中的临床人员负担和感染风险提供了一条切实可行的路径。该工作被视为基础性的一步，计划在未来的迭代中集成更强大的 SLAM 方法和专用嵌入式硬件。