事件描述 · 情绪评估 · 地图更新

1. 事件描述器（Event Descriptor）

机器人导航过程中，当发生一个"事件"（event）时——例如突然出现障碍物、门打开、有人走出——系统需要先将这个事件转化为语言描述，才能进行后续的情绪评估。这就是 Event Descriptor 的任务。

方法：LMM Zero-Shot Step-by-Step Reasoning

Event Descriptor 使用一个多模态大模型（LMM，类似 GPT-4o），以 zero-shot step-by-step reasoning 的方式生成事件描述。其流程是：

1. 逐图描述：先分别描述每张图像中的场景和变化
2. 组合推理：将三个时间点的描述组合起来，推理出完整的事件过程

其中 $p_{\\text{ed}}$ 是 zero-shot prompt 参数。模型不需要针对导航任务做微调或 few-shot 示例，仅凭预训练的能力和对三张图像的对比推理，就能生成准确的事件描述。

2. 情绪评估器（Emotion Evaluator）

得到事件的语言描述 $l_{\\text{evt}}$ 后，Emotion Evaluator 负责评估该事件对机器人的情绪影响，输出一个量化的情绪分数。

方法：LLM Few-Shot Prompting

Emotion Evaluator 使用 LLM（大语言模型）配合 few-shot prompting，根据事件描述评价两个维度的情绪：

其中 $p_{\\text{ee}}$ 是 few-shot prompt 参数（包含评分示例）。

设计灵感

论文指出，这两个维度的设计灵感来源于人类情感：

• Upsetness 对应驱动回避行为（aversion）的情绪——例如恐惧、厌恶，让 agent 远离不愉快的刺激
• Guiltiness 对应驱动修复行为（repair）的情绪——例如内疚、后悔，让 agent 修正自己的行为

二者结合形成的总分数 $s_{\\text{emo}}$ 决定了 E2Map 更新的方向和幅度。

3. E2Map 更新：Weber-Fechner 定律

得到情绪分数 $s_{\\text{emo}}$ 后，系统需要将其编码到 E2Map 中，使得未来的路径规划能"记住"这次情绪体验。更新机制的核心是心理物理学中的 Weber-Fechner 定律。

Weber-Fechner 定律

E2Map 借用这一思想：情绪强度（$s_{\\text{emo}}$）作为"刺激"，对高斯分布协方差的调整幅度作为"感知"，两者通过对数函数关联。

更新公式

当事件发生时，系统首先识别与事件相关的 $n$ 个栅格单元格 $p_{\\text{update}}$（基于 agent 事件发生时的位姿），然后更新这些栅格中高斯分布的标准差：

其中各符号的含义：

更新效果分析

4. One-Shot Behavior Adjustment

E2Map 更新后，导航系统如何利用新的地图调整行为？核心机制是以情绪为代价的 D* 路径重规划。

D* Algorithm with Emotion Cost

论文使用 D* algorithm 进行路径规划，其中规划代价包含情绪信息。E2Map 的高斯情绪场直接影响 D* 的代价函数：高斯分布越高的区域（负面情绪越强），代价越高，D* 会倾向于规划绕行路径。

One-Shot 能力

E2Map 的一个关键优势是 one-shot behavior adjustment——只需一次事件经历就能调整后续行为：

1. 机器人执行任务过程中遇到事件
2. Event Descriptor 描述事件 → Emotion Evaluator 评分 → E2Map 更新
3. D* 立即重新计算最小代价路径
4. 机器人沿新路径行动，主动避开负面情绪区域

5. 导航算法（Algorithm 1）

论文给出了完整的导航算法流程（Algorithm 1），将上述所有模块整合为统一的运行循环：

Algorithm 1 Navigation with E2Map

  goal_list ← GoalSelector(l_inst)

  for each goal in goal_list do
    τ ← D*_planning(p_agent, goal, M)
    while not reached(goal) do
      MPPI_control(τ)
      if event then
        l_evt ← F_ed(I_{prev}, I_{evt}, I_{next}, p_ed)
        s_emo ← F_ee(l_evt, p_ee)
        p_update ← pose at event occurrence
        M.update(s_emo, p_update)
        τ ← D*_planning(p_agent, goal, M)   // replan
      end if
    end while
  end for

算法步骤详解

6. 实验验证

实验场景

论文设计了三种典型场景来验证 E2Map 的自反导航能力：

仿真实验结果

论文将 E2Map 与 LM-Nav 和 VLMaps 两种基线方法进行了对比：

结果分析

真实世界实验

论文还在首尔大学会议室进行了真实环境验证。环境配置包括：沙发、桌椅、冰箱、微波炉等日常物品。

📝 自测题