自主伤员分类中机器人系统的贝叶斯推理框架

A Bayesian Reasoning Framework for Robotic Systems in Autonomous Casualty Triage

作者: Szymon Rusiecki, Cecilia Morales, Pia Störy 等6人

arXiv: 2604.21568v1

分类: cs.RO

📝 论文摘要

在大规模伤亡事件（MCI）中部署的自主机器人面临基于不完整且含噪声的感知数据做出关键决策的挑战。我们提出了一种用于伤员评估的自主机器人系统，该系统将多个基于视觉的算法输出融合为一致的检伤分类评估，以估计严重出血、可见创伤或身体警觉性等体征。该系统的核心是一个基于专家定义规则构建的贝叶斯网络，即使在感知输入缺失或冲突的情况下，也能对伤员状况进行概率推理。该系统在DARPA检伤分类挑战赛（DTC）中，针对涉及11名和9名伤员的实际MCI场景进行了评估，结果显示，与仅依赖视觉的基线方法相比，其生理评估准确率提高了近三倍（从15%提升至42%，以及从19%提升至46%）。更重要的是，总体检伤分类准确率从14%提升至53%，而系统的诊断覆盖率从31%扩展至95%的案例。这些结果表明，将专家引导的概率推理与先进的视觉感知相结合，能够显著提升自主系统在关键实际应用中的可靠性和决策能力。

📊 核心分析

🎯 研究动机

自主机器人在大规模伤亡事件(MCI)中面临基于不完整和噪声感知数据做出关键决策的挑战，现有视觉算法在生理评估和分诊准确性上表现不足（如基线准确率仅15%-19%），需要一种能够融合多源信息并处理缺失或冲突输入的推理框架。

🔧 核心方法

提出一个自主分诊系统，核心是构建基于专家定义规则的贝叶斯网络(Bayesian network)，该网络融合多个视觉算法（检测严重出血、可见创伤或身体警觉性）的输出，实现概率推理，即使在感知数据缺失或冲突时也能评估伤员状况。

💡 核心创新

将专家引导的概率推理(probabilistic reasoning)与多视觉算法融合，通过贝叶斯网络在不确定条件下进行鲁棒的分诊评估，显著提升了生理评估准确性（近3倍）和诊断覆盖率（从31%扩展到95%），超越了纯视觉基线方法。

🏆 总体贡献

证明了在关键现实应用中，结合专家知识的概率推理与先进视觉感知能显著增强自主系统的可靠性和决策能力，为机器人自主分诊提供了可部署的框架，并在DARPA分诊挑战赛(DTC)中验证了其有效性。