CSIR 规划框架让机器人在信息不全时也能找到目标人物，优于纯距离图基线而纯语义搜索失稳

提出一个面向 PersonNav 的规划框架，把接收者的距离信息与语义信息（习惯与意图）按用户提供信息的可信度加权结合。 现有方案多为需要精确个体知识的刚性找人系统，或依赖因隐私而不可得的公开或稀疏数据的学习方法；该框架以可信度加权的方式融合距离与语义，并保留显式信念表示。 摘要层面描述的方法与设计；显式信念表示被表述为自然支持未来贝叶斯滤波。

构建了一个包含角色、物品与请求的合成场景基准，用于在真实部署前评估性能并模拟自然语言人机交互。 针对文献中因人类隐私导致公开或稀疏数据不可用的问题，提供可复现的合成评估场景。 摘要层面描述的基准构成；未给出场景数量或统计细节。

知情搜索优于经典基于距离的图基线，而仅用语义会导致无根据、零散的搜索；基于 LLM 的变体表现相当。 把语义与距离的融合效果与两类对照（纯距离基线、纯语义）区分开，说明语义单独使用不足以支撑有根据的搜索。 摘要层面报告的比较结果；未给出具体指标数值或效应量。

硬件测试表明该方法可支持真实环境中的实体机器人，在语义与距离信息之间进行权衡。 把评估从合成基准推进到真实环境中的实体部署验证。 摘要层面描述的硬件测试；未给出平台、场景或样本细节。

该工作面向室内物品递送场景中的 PersonNav，适用于用户提供的信息可信度不一、语言存在不确定性、且无法获得精确个体知识的设定。合成基准包含角色、物品与请求，用于在真实部署前评估并模拟自然语言人机交互；硬件测试表明方法可支持真实环境中的实体机器人。显式信念表示被表述为自然支持未来贝叶斯滤波，因此该框架可被后续概率推断方法扩展。

摘要未给出具体性能数值、效应量、场景数量、硬件平台与参与者规模，因此无法判断增益幅度与统计稳健性。合成基准与真实环境之间的差距、语言不确定性的具体建模方式、以及用户信息可信度的估计方式，都是读者需要进一步确认的开放问题。基于 LLM 的变体与所提方法表现相当，其适用条件与计算代价也值得关注。