Don't Risk It!: Trajectory-Conditioned Distributional Risk for LiDAR-Only Crowd Navigation

📄 arXiv: 2610.40050v1 📥 PDF

作者: Mathai Mathew Pulicken, Laksh Nanwani, Basant Sharma, Phani Teja Singamaneni, Arun Kumar Singh, K. Madhava Krishna

分类: cs.RO

发布日期: 2026-10-29

💡 一句话要点

提出DRIP框架以解决LiDAR环境下的拥挤导航问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 拥挤导航 LiDAR 深度学习 碰撞风险评估 机器人规划 不确定性估计 动态环境

📋 核心要点

  1. 现有方法在动态拥挤环境中难以有效预测无碰撞空间，依赖于脆弱的物体跟踪技术。
  2. 论文提出的DRIP框架通过结合占用预测与不确定性估计，直接在LiDAR数据上进行规划，提升了导航效率。
  3. 实验结果表明，DRIP在与多名行人互动时，成功率更高，碰撞次数更少，表现优于现有基线方法。

📝 摘要（中文）

高效的拥挤导航需要在不依赖脆弱物体跟踪的情况下预测动态无碰撞空间。本文提出了Don't Risk It Planner (DRIP)，这是一个端到端的仅基于LiDAR的规划框架，结合了占用预测、轨迹条件的间隙和不确定性估计。DRIP直接在LiDAR生成的占用网格历史上运行，预测候选控制序列的最小机器人-障碍物间隙的分布，以评估碰撞风险。该模型使用风险成本进行训练，直接将预测不确定性与经验碰撞结果联系起来，而不仅仅依赖几何回归。在与多达45名行人的闭环实验中，DRIP相比于现有最先进的基线，取得了更高的成功率、更少的碰撞和减少的停滞行为。

🔬 方法详解

问题定义：本文旨在解决在动态拥挤环境中进行安全导航的挑战，现有方法往往依赖于不可靠的物体跟踪，导致碰撞风险增加。

核心思路：DRIP框架通过直接在LiDAR生成的占用网格上进行规划，结合轨迹条件的间隙和不确定性估计，避免了对物体跟踪的依赖。

技术框架：DRIP的整体架构包括占用预测模块、轨迹条件清晰度评估模块和不确定性估计模块，形成一个闭环控制系统。

关键创新：DRIP的主要创新在于其风险成本训练方法，该方法将预测不确定性直接与经验碰撞结果相结合，超越了传统的几何回归方法。

关键设计：在模型设计中，采用了特定的损失函数来优化风险评估，并通过深度学习网络结构来处理LiDAR数据，确保高效的占用预测和清晰度评估。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果显示，DRIP在与多达45名行人的闭环实验中，成功率显著提高，碰撞次数减少，停滞行为降低，表现优于现有最先进的基线方法，展示了其在实际应用中的有效性。

🎯 应用场景

该研究的潜在应用领域包括自动驾驶、服务机器人和人机交互系统，能够在复杂的动态环境中实现安全、高效的导航。未来，DRIP框架有望在城市交通管理和智能物流等领域发挥重要作用，提升人机协作的安全性和效率。

📄 摘要（原文）

Efficient crowd navigation requires anticipating dynamic collision-free space without relying on fragile object tracking. We propose the Don't Risk It Planner (DRIP), an end-to-end LiDAR-only planning framework that couples occupancy forecasting with trajectory-conditioned clearance and uncertainty estimation. Operating directly on LiDAR-derived occupancy grid histories, DRIP predicts a distribution over minimum robot-obstacle clearance for candidate control sequences to evaluate collision risk. The model is trained using a risk cost that grounds predictive uncertainty directly in empirical collision outcomes rather than geometric regression alone. In closed-loop experiments with up to 45 pedestrians, DRIP achieves higher success rates with fewer collisions and reduced freezing behavior compared to state-of-the-art baselines.