SmellDiffusion: Diffusion-Based Quadruped Navigation with Olfactory Scene Graphs
作者: Faith Ogunwoye, Iana Zhura, Hajira Amjad, Timofei Kozlov, Didar Seyidov, Dmitrii Plotnikov, Fedor Fedorov, Dzmitry Tsetserukou
分类: cs.RO
发布日期: 2026-09-17 (更新: 2026-09-18)
备注: 8 pages, 5 figures, 7 tables
💡 一句话要点
提出SmellDiffusion以解决四足机器人气体泄漏导航问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 气体泄漏 四足机器人 导航技术 嗅觉场景图 扩散规划 源识别 路径规划 环境监测
📋 核心要点
- 现有的气体泄漏导航方法在源识别和路径规划方面存在精度不足的问题，尤其是在复杂环境中。
- SmellDiffusion通过引入嗅觉场景图和扩散规划技术，提供了一种新的气体源识别与导航方案，提升了机器人的导航能力。
- 实验表明，SmellDiffusion在气体暴露量和路径规划时间上与传统A*算法相当，但在特定情况下表现出更高的精度和效率。
📝 摘要（中文）
本文提出了SmellDiffusion，一个模拟管道，旨在帮助机器人在气体泄漏场景中识别气体源并进行导航。该方法通过开放词汇的嗅觉场景图表示特定气体区域，并在经典规划器和扩散规划器之间共享目标。其关键组件包括用于选择性源校正的局部几何门和基于扩散的气体引导轨迹生成。实验结果显示，该方法在多种源-风配置下显著提高了导航精度，尤其是在气体浓度峰值偏移的情况下。
🔬 方法详解
问题定义：本文旨在解决机器人在气体泄漏场景中如何准确识别气体源并进行有效导航的问题。现有方法在复杂环境中往往无法准确定位气体源，导致导航精度不足。
核心思路：SmellDiffusion通过构建开放词汇的嗅觉场景图，结合扩散规划技术，实现了对气体源的有效识别和导航。该方法的设计旨在提高机器人在动态环境中的适应能力和导航精度。
技术框架：整体架构包括气体源识别模块、嗅觉场景图构建模块和扩散轨迹生成模块。机器人首先通过嗅觉场景图获取气体源信息，然后利用扩散规划技术生成导航轨迹。
关键创新：该研究的主要创新在于引入了局部几何门用于选择性源校正，以及基于扩散的气体引导轨迹生成。这些创新使得机器人能够在气体浓度峰值偏移的情况下仍然保持较高的导航精度。
关键设计：在参数设置上，局部几何门的校准仅基于训练集，并在观察到的浓度峰值处进行评估。通过前向匹配校正，减少了在气体源偏移情况下的平均误差，从1.468m降低至0.592m，显示出显著的性能提升。实验中，扩散提案的平均时间为41.7ms，相较于气体引导A*的72.3ms更具效率。
🖼️ 关键图片
📊 实验亮点
实验结果显示，SmellDiffusion在424种独特的源-风配置中，成功检测到90%的偏移情况，且在气体暴露量方面与气体引导A*算法相当（0.0476对0.0455）。此外，使用局部几何门的校正方法显著降低了在气体源偏移情况下的平均误差，提升幅度达到60%。
🎯 应用场景
该研究的潜在应用领域包括环境监测、灾害响应和工业安全等。通过提高机器人在气体泄漏场景中的导航能力，SmellDiffusion能够有效地帮助应对突发的气体泄漏事件，减少人力风险，提升应急响应效率。未来，该技术有望扩展到更复杂的环境中，进一步增强机器人的自主导航能力。
📄 摘要（原文）
A robot sent to a named gas leak must preserve gas identity, estimate the source, and navigate to the resulting goal. We present SmellDiffusion, a simulation pipeline that represents species-specific gas zones in an open-vocabulary olfactory scene graph and shares the selected goal between classical and diffusion planners. Its key components are a peak-local geometric gate for selective source correction and diffusion-based, gas-guided trajectory generation. Among 424 unique source-wind configurations in solved flow, 28 have a concentration peak displaced more than 0.5m from the source. A source-independent geometric gate, calibrated only on the training split and evaluated at the observed peak, detects 9 of 10 held-out displacements at 0.64 precision. Gating a precomputed forward-matching correction reduces mean error on the displaced cases from 1.468m to 0.592m (60%), using matching for only 14/204 cases. All-case mean error falls from 0.205m to 0.180m. All planners receive the same scene-graph source estimate as their goal. In a controlled comparison, best-of-ten diffusion achieves mean gas exposure comparable to gas-guided A (0.0476 versus 0.0455). A single diffusion proposal takes 41.7ms, compared with 72.3ms for gas-guided A, although best-of-ten sequential sampling increases total runtime. Plain A also reaches the same goal and remains the fastest and shortest-path method. Six matched Gazebo runs give mean robot-to-source errors of 0.39m for A and 0.31m for diffusion.