Benchmarking Obstacle-Conditioned Safety in Household Robot Navigation
作者: Hyunwoong Bae, Jisu Han, Jiyeon Choi, Dohoon Kim, Taesup Moon
分类: cs.RO, cs.AI, cs.CV
发布日期: 2026-10-26
💡 一句话要点
提出OSMA-Bench以解决家庭机器人导航中的安全性问题
🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 家庭机器人 安全导航 障碍物识别 运动适应性 语义敏感性指数 智能家居 视觉语言模型
📋 核心要点
- 现有方法未能有效测试障碍物类型对机器人运动的影响，导致安全性评估不足。
- 本文提出OSMA-Bench基准和语义敏感性指数（SSI），以量化障碍物条件下的安全运动适应性。
- 实验结果显示，现有策略未能有效适应障碍物安全，增加参数推断步骤后有所改善。
📝 摘要（中文）
安全的家庭导航要求机器人根据障碍物的类型和距离调节间隙和速度，而不应过于保守。然而，现有评估未能测试语义安全区分是否在连续运动中得到体现。为此，本文引入了OSMA-Bench，一个基于空间匹配场景集的障碍物条件安全运动适应基准，并提出了语义敏感性指数（SSI），用于衡量间隙和距离依赖的速度和流畅性是否遵循障碍物的警惕顺序。对基于视觉语言模型（VLM）和视觉语言行动（VLA）策略的评估发现，即使在明确的安全提示下，它们也未能一致地适应障碍物安全。分析表明，尽管策略能够正确区分障碍物的安全相关性，但未能在运动参数或动作中反映这一区分。对于VLM策略，增加明确的参数推断步骤可改善适应性。这些发现揭示了语义到运动的基础转化的差距，强调了将语义警惕转化为适当安全运动的必要性。
🔬 方法详解
问题定义：本文旨在解决家庭机器人导航中障碍物类型对运动安全性的影响，现有方法未能有效反映语义安全性在连续运动中的应用。
核心思路：通过引入OSMA-Bench基准和语义敏感性指数（SSI），量化和评估机器人在不同障碍物条件下的运动适应性，以确保安全性与效率的平衡。
技术框架：整体架构包括障碍物分类、运动参数生成和适应性评估三个主要模块。首先，机器人识别障碍物类型，然后生成相应的导航程序，最后评估运动的安全性和流畅性。
关键创新：最重要的创新在于引入了语义敏感性指数（SSI），该指标能够量化机器人在不同障碍物条件下的运动适应性，填补了语义与运动之间的基础转化缺口。
关键设计：在VLM策略中，增加了明确的参数推断步骤，以提高障碍物识别后的运动适应性。此外，设计了针对不同障碍物的速度和间隙调节机制，以确保运动的安全性和流畅性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，现有的VLM和VLA策略在障碍物安全适应性方面表现不佳，未能有效反映安全提示。通过增加参数推断步骤，适应性有所改善，显示出在障碍物条件下的运动安全性提升的潜力。
🎯 应用场景
该研究的潜在应用领域包括家庭服务机器人、智能家居系统及自动驾驶技术。通过提高机器人在复杂环境中的安全导航能力，能够显著提升用户体验和安全性，未来可能在智能家居和服务机器人领域产生深远影响。
📄 摘要（原文）
Safe household navigation requires robots to regulate clearance and speed according to what an obstacle is and how close it is, without unnecessary conservatism. Yet existing evaluations do not test whether semantic safety distinctions are reflected in continuous motion. To that end, we introduce OSMA-Bench, an Obstacle-Conditioned Safe Motion Adaptation Benchmark built on spatially matched scenario sets that differ only in obstacle type. We also propose the \emph{Semantic Sensitivity Index} (SSI), which measures whether clearance and distance-dependent speed and smoothness follow the caution ordering of obstacles. Evaluating VLM-based and vision-language-action (VLA) policies on the benchmark, we find that neither consistently adapts its motion to obstacle safety, even with explicit safety prompts. Our analysis shows that the policies can correctly distinguish obstacles by safety relevance but fail to reflect this distinction in the motion parameters or actions they produce. For VLM-based policies, which recognize the obstacle and then generate a navigation program, adding an explicit parameter-inference step between these two stages improves adaptation. These findings expose a gap in \emph{semantic-to-motion grounding}, highlighting the need to translate semantic caution into appropriately safe motion.