CORNAV: Construction-Aware Reasoning for Robot Navigation on Active Worksites
作者: Parastoo Ali Pour, Deepak Prakash Kumar, Tommy Zhou, Pramod Khargonekar, Mohammad Abdullah Al Faruque
分类: cs.RO
发布日期: 2026-10-02
💡 一句话要点
提出CORNAV以解决建筑工地机器人导航问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 机器人导航 建筑工地 安全模块 动态环境 蓝图基础 项目时间表 A*规划器
📋 核心要点
- 现有的导航系统仅依赖语义理解，缺乏建筑工地特定的上下文信息，导致导航不可靠。
- CORNAV框架结合建筑蓝图和项目时间表，提供了基于时间变化的导航约束和安全验证。
- 实验结果表明，CORNAV显著提高了任务成功率，并有效消除了安全隐患。
📝 摘要（中文）
建筑行业面临持续的劳动力短缺和低生产率，导致全球经济每年损失超过1.6万亿美元，并且是主要行业中伤害率最高的行业之一。这些因素促使使用自主机器人来提高效率和工人安全。然而，现有的基于语言的导航系统仅依赖于语义场景理解，缺乏建筑特定的上下文信息，如建筑蓝图、动态工作计划和安全约束。因此，它们在定位永久建筑特征时不够可靠，无法安全地在活跃的工地上导航。本文提出了CORNAV，一个基于蓝图和时间表的导航框架，能够从2D CAD图纸和项目时间表中操作，而无需建筑信息模型。CORNAV将建筑蓝图与层次化的开放词汇3D场景图对齐，以实现对象查询的基础，转换项目时间表为时间变化的导航约束，并通过基于LLM的安全模块验证请求，提前识别危险区域。A*规划器随后强制执行强制排除区，同时优先避免高风险区域。实验结果显示，在室内办公室和真实建筑工地上，蓝图基础的任务成功率从13.0%提高到72.2%，时间表意识消除了所有硬区违规，安全模块正确拒绝了因项目时间表标记错误而产生的危险请求。
🔬 方法详解
问题定义：本文旨在解决现有机器人导航系统在建筑工地上无法有效利用建筑特定上下文的问题。现有方法主要依赖语义场景理解，导致在动态环境中导航的可靠性不足。
核心思路：CORNAV框架通过结合2D CAD图纸和项目时间表，提供了一种新的导航方式，能够实时适应建筑工地的变化，并确保安全性。
技术框架：CORNAV的整体架构包括三个主要模块：首先，将建筑蓝图与层次化的3D场景图对齐；其次，转换项目时间表为时间变化的导航约束；最后，通过LLM安全模块验证请求并识别危险区域。
关键创新：CORNAV的主要创新在于其蓝图基础和时间表意识的结合，使得机器人能够在动态工地环境中安全导航，这与传统方法的静态语义理解形成鲜明对比。
关键设计：在设计中，CORNAV使用了层次化的开放词汇3D场景图来增强对象查询的准确性，并通过A*规划器实现强制排除区的管理，确保机器人在高风险区域的安全避让。
🖼️ 关键图片
📊 实验亮点
实验结果显示，CORNAV在室内办公室和真实建筑工地上的任务成功率从13.0%提升至72.2%，同时消除了所有硬区违规，安全模块成功拒绝了因项目时间表标记错误而产生的危险请求，展现出显著的性能提升。
🎯 应用场景
CORNAV的研究成果具有广泛的应用潜力，尤其是在建筑工地、制造业和其他需要动态导航的环境中。通过提高机器人在复杂环境中的导航能力，CORNAV能够显著提升工作效率和安全性，未来可能对建筑行业的自动化和智能化发展产生深远影响。
📄 摘要（原文）
The construction industry faces persistent labor shortages, low productivity that costs the global economy over $1.6 trillion annually, and one of the highest injury rates among major industries. These factors motivate the use of autonomous robots to improve efficiency and worker safety. Existing language-grounded navigation systems, however, rely on semantic scene understanding alone and lack access to construction-specific context such as architectural plans, evolving work schedules, and safety constraints. As a result, they localize permanent building features unreliably and cannot safely navigate active jobsites. We present CORNAV, a blueprint-grounded, schedule-aware navigation framework that operates from 2D CAD drawings and project schedules without requiring a Building Information Model. CORNAV aligns architectural blueprints against hierarchical open-vocabulary 3D scene graphs to ground object queries, converts project schedules into time-varying navigation constraints, and validates requests through an LLM-based safety module that escalates hazardous zones before planning. An A* planner then enforces mandatory exclusion zones while preferentially avoiding higher-risk areas. Across an indoor office and a real construction site, blueprint grounding raises task success from 13.0% to 72.2% over semantic retrieval alone, schedule awareness eliminates all hard-zone violations, and the safety module correctly rejects hazardous requests arising from mislabeled project schedules.