PBD-AG: Persistent Baseline-Delta Active Graphs with Uncertainty-Aware Inspection for Long-Horizon Service Robots
作者: Shuo Bao, Wei Dong, Shuyue Zhang, Ming Shang, Yuchen Huang, Han Yu, Chengjie Xu, Yiheng Bi, Kai Sun, Fuchun Sun, Xinzhou Wang
分类: cs.RO
发布日期: 2026-08-11
🔗 代码/项目: PROJECT_PAGE
💡 一句话要点
提出PBD-AG框架以解决长时间服务机器人世界模型构建问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 长时间服务机器人 持久世界模型 动态环境 几何可见性 图条件策略 自主探索 对象信念
📋 核心要点
- 现有方法依赖在线映射，容易累积误差，且无法有效捕捉动态对象变化。
- PBD-AG框架通过解耦稳定固定物与动态事件，提升了世界模型的可靠性与灵活性。
- 实验显示，PBD-AG在多个环境中实现了更高的F1值和更强的身份连续性，优于对比方法。
📝 摘要（中文）
长时间服务机器人需要能够在未知环境中自主构建持久的世界模型，并随着任务相关对象的变化进行修正。现有方法依赖于在线映射，容易累积定位和观察误差，且静态场景表示无法捕捉持久对象变化。本文提出了PBD-AG框架，通过将机器人验证的稳定固定物与可修订的动态对象事件解耦，机器人能够自主从机载探索中引导结构基线，并检查发现的固定物以建立层次化对象信念。PBD-AG维护几何、语义、身份、存在和支持关系的可靠性加权对象状态，并利用几何可见性门来减轻遮挡下的错误删除。实验结果表明，该方法在多个环境中表现出更高的聚合粗固定物F1值和更强的身份连续性及事件召回。
🔬 方法详解
问题定义：本文旨在解决长时间服务机器人在未知环境中构建和维护持久世界模型的问题。现有方法在动态环境中容易受到定位和观察误差的影响，无法有效捕捉对象的持久变化。
核心思路：PBD-AG框架的核心思想是将机器人验证的稳定固定物与可修订的动态对象事件进行解耦，从而提高模型的可靠性和灵活性。机器人通过自主探索引导结构基线，并检查固定物以建立层次化的对象信念。
技术框架：PBD-AG框架包含多个模块，首先是从机载探索中引导结构基线的模块，其次是通过几何可见性门维护对象状态的模块，最后是通过图条件策略选择检查视点的模块。这些模块协同工作，以确保在动态环境中保持高效的世界模型。
关键创新：PBD-AG的主要创新在于其解耦的设计，使得机器人能够在动态环境中有效管理固定物与动态事件的关系。这一设计与现有方法的整体性预测和静态表示形成了鲜明对比。
关键设计：在关键设计方面，PBD-AG采用了几何可见性门来减少遮挡下的错误删除，并通过图条件策略优化检查视点的选择，平衡目标覆盖、旅行成本、碰撞风险和冗余观察等因素。实验中使用的参数设置和损失函数经过精心设计，以确保模型的稳定性和准确性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，PBD-AG在多个环境下的聚合粗固定物F1值显著高于能力匹配的对照组，且在身份连续性和事件召回方面表现更强，展示了该方法在动态环境中的有效性和优势。
🎯 应用场景
该研究具有广泛的应用潜力，尤其是在服务机器人、自动驾驶、智能家居等领域。通过提供一个可追溯的世界模型，PBD-AG能够帮助机器人在复杂和动态的环境中更好地理解和适应，从而提升其自主决策能力和任务执行效率。
📄 摘要（原文）
Long-horizon service robots require persistent world models that can be built autonomously in unseen environments and revised as task-relevant objects change. Existing methods rely on online mapping, which accumulates localization and observation errors, static scene representations that cannot capture persistent object changes, or holistic vision-language predictions that lack verifiable 3D geometric evidence. We present PBD-AG, a persistent baseline-delta active graph framework that decouples robot-verified stable fixtures from revisable dynamic object events. Under our framework, the robot autonomously bootstraps the structural baseline from onboard exploration and inspects discovered fixtures to ground hierarchical object beliefs. PBD-AG maintains reliability-weighted object states over geometry, semantics, identity, existence, and support relations, utilizing a geometric visibility gate to mitigate false deletions under occlusion. Inspection viewpoints are selected by a graph-conditioned policy that balances target coverage, travel cost, collision risk, and redundant observation. Simulation experiments in multiple environments and under controlled dynamic evaluation show higher aggregate coarse-fixture F1 than capability-matched controls, as well as stronger identity continuity and event recall. A qualitative physical-robot demonstration further illustrates integration with onboard sensing, providing a traceable world model for long-horizon robotic perception.The project page of PBD-AG is available at https://shuobao214.github.io/PBD-AG/