动态环境中机器人导航的语义风险感知启发式规划：一种受大语言模型启发的方法

Semantic Risk-Aware Heuristic Planning for Robotic Navigation in Dynamic Environments: An LLM-Inspired Approach

将大语言模型推理原理与经典机器人路径规划的融合正成为一个快速发展的研究方向。本文提出了一种语义风险感知启发式（SRAH）规划器，该规划器将受大语言模型启发的、对几何杂乱或高风险区域进行惩罚的成本函数编码到A*搜索框架中，并增加了动态障碍检测时的闭环重规划功能。我们在一个静态障碍物密度为20%、包含随机动态障碍物的15×15网格世界中进行了200次随机试验，将SRAH与两种已有基线方法——带重规划的广度优先搜索（BFS）和不带重规划的贪婪启发式算法——进行了比较。SRAH的任务成功率达到62.0%，相比BFS（56.5%）相对提高了9.7%，并大幅优于贪婪算法（4.0%）。我们进一步分析了规划开销、路径效率与故障恢复次数之间的权衡，并通过障碍物密度消融实验证明，语义成本塑造在不同难度的环境中始终能改善导航性能。我们的结果表明，即使是轻量级的、受大语言模型启发的启发式方法，也能为自主机器人导航带来可测量的安全性和鲁棒性提升。