SAFARI: Semantic- And Frontier-driven Autonomous Risk Inspection

📄 arXiv: 2610.41456v1 📥 PDF

作者: Ugur Kafkasyali, Mihnea Toader, Julia Richter, Turcan Tuna, Cesar Cadena, Marco Hutter

分类: cs.RO

发布日期: 2026-10-30

备注: First two listed authors have equal contribution. Submitted to IEEE Transactions on Field Robotics

💡 一句话要点

提出SAFARI框架以解决风险感知的自主探索问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 自主探索 风险感知 语义物体检测 机器人技术 复杂环境 路径规划 概率地图

📋 核心要点

  1. 现有的自主探索方法往往忽视了语义物体检测与潜在危险物体操作风险的结合，导致探索效率低下。
  2. SAFARI框架将物体检测与风险感知地图结合，利用几何和语义信息共同指导探索与规划，提升了自主探索的安全性与效率。
  3. 在实际场景中，SAFARI框架实现了98.7%的任务区域覆盖率，且97.6%的时间无需人工干预，展示了其在复杂环境中的有效性。

📝 摘要（中文）

机器人探索可以减少人类在危险环境中的暴露，通过自主搜索未知区域中的感兴趣物体，同时构建完整的风险感知地图。然而，现有的自主探索方法通常优先考虑几何覆盖或信息增益，而未明确结合语义物体检测与潜在危险物体附近操作的风险。此外，许多系统主要在模拟或受控环境中验证，缺乏在复杂、非结构化的实际场景中的风险感知语义探索的验证。为了解决这一问题，本文提出了SAFARI框架，将物体检测视为统一概率地图的本地通道，从而通过几何和语义证据共同指导探索与规划。我们在三个现场对SAFARI进行了11次任务评估，结果显示该框架在可访问任务区域内实现了98.7%的平均覆盖率，且在97.6%的任务时间内无需操作员干预，能够检测到最小尺寸为15cm的物体。最后，通过消融研究和系统行为的详细分析，我们表明物体尺寸感知和安全感知路径规划对于有效的危险物体搜索至关重要。

🔬 方法详解

问题定义：本文旨在解决现有自主探索方法在风险感知与语义物体检测方面的不足，尤其是在复杂环境中的应用挑战。现有方法多集中于几何覆盖或信息增益，缺乏对潜在危险物体的风险评估。

核心思路：SAFARI框架的核心思想是将物体检测视为统一概率地图的一个通道，结合几何和语义证据来指导探索与规划。这种设计使得机器人能够在探索过程中同时考虑环境的风险和物体的语义信息。

技术框架：SAFARI的整体架构包括数据采集、语义物体检测、风险评估和路径规划四个主要模块。首先，机器人通过传感器收集环境数据，然后进行物体检测，接着评估与这些物体相关的风险，最后基于这些信息进行路径规划。

关键创新：SAFARI的主要创新在于将风险感知与语义物体检测结合，形成一个统一的概率地图。这与传统方法的本质区别在于，后者往往将两者分开处理，导致信息利用效率低下。

关键设计：在设计中，SAFARI采用了特定的损失函数来平衡几何信息与语义信息的权重，同时在路径规划中引入了物体尺寸感知，以确保机器人在接近潜在危险物体时能够采取安全的行动策略。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在11次实际任务中，SAFARI框架实现了98.7%的任务区域覆盖率，且在97.6%的时间内无需人工干预，显示出其在复杂环境中的高效性。此外，框架能够检测到最小尺寸为15cm的物体，证明了其在小型物体识别方面的能力。

🎯 应用场景

SAFARI框架的潜在应用领域包括危险环境的自动化探索，如灾后救援、矿山探测和军事侦察等。通过减少人类在危险环境中的直接暴露，该技术能够显著提高安全性和效率，未来可能在更多复杂场景中得到推广和应用。

📄 摘要（原文）

Robotic exploration can reduce human exposure to hazardous environments by autonomously searching unknown areas for objects of interest while constructing a complete, risk-aware map. However, existing autonomous exploration approaches typically prioritize geometric coverage or information gain, without explicitly coupling semantic object detection and the risk associated with operating near potentially hazardous objects. Moreover, many systems have been demonstrated primarily in simulation or controlled environments, leaving limited validation of risk-aware semantic exploration in complex, unstructured field settings. To address this gap, we propose SAFARI, a framework that treats object detection as a native channel of a unified probabilistic map, thereby jointly informing exploration and planning with both geometric and semantic evidence. We evaluated SAFARI in 11 missions across three field sites on a quadruped platform. The framework achieved an average coverage of 98.7% of the accessible mission area, without operator intervention for 97.6% of mission time, and detected objects with characteristic dimensions as small as 15cm. Lastly, through ablation studies and a detailed analysis of system behavior, we show that object-size awareness and safety-aware path planning are crucial for effective hazardous-object search.