研究动机：该论文旨在解决在危险环境中使用自主机器人进行未知标量场(salar field)安全测绘的问题。研究背景是：在存在高强度区域（即场值超过安全阈值的不安全区域）的环境中，机器人需要避免进入这些区域，同时高效地完成场测绘任务。
核心方法：论文采用了一种结合高斯过程(Gaussian Process, GP)和霍夫变换(Hough Transform, HT)的框架。具体包括：
- 使用高斯过程(GP)对标量场进行建模，以实现贝叶斯推断(Bayesian inference)，并提供预测均值和不确定性的闭式解。
- 利用不断更新的GP后验分布，通过霍夫变换(HT)实时估计高强度区域的空间结构。
- 采用一种安全的采样策略，基于GP后验分布的概率安全保证，引导机器人前往安全的测量位置。
- 利用估计出的高强度区域信息，为机器人设计安全的运动规划。
核心创新点：
- **方法融合创新**：首次将用于参数形状检测的霍夫变换(HT)与用于空间建模的高斯过程(GP)相结合，共同解决安全感知的场测绘问题。
- **实时安全边界估计**：利用不断演化的GP后验分布，通过HT实时、在线地估计不安全区域（高强度区域）的几何结构，而不仅仅是点状的危险点。
- **闭环安全保证**：将基于HT估计出的区域结构信息，直接反馈并用于指导机器人的安全采样策略和运动规划，形成了一个从感知、建模到决策的完整安全闭环。
- **概率安全框架**：在整个过程中，从场值预测到机器人路径引导，都嵌入了基于GP的概率安全保证，提升了系统在不确定性环境下的鲁棒性。
总体贡献：
- 提出了一个新颖、完整的框架，用于在存在定义明确危险区域的环境中，进行安全、高效的自主标量场测绘。
- 通过数值仿真和室内轮式移动机器人测绘光强场的实验，验证了所提框架的有效性。
- 为机器人安全探索和测绘领域提供了一种新的思路，即通过结合概率场模型（GP）和几何形状检测技术（HT）来显式地建模和规避具有空间结构的不安全区域，超越了仅依赖场值阈值判断的传统方法。