看见不可见风险：用于温度与辐射感知 VLA 导航的物理引导视觉提示

基于摘要分析。该研究面向安全关键设施中的机器人 Vision-and-Language Navigation（VLN），解决 RGB 相机无法直接感知温度突升与辐射风险、逐类扩展感知能力又需新增编码器与重训练的问题。作者提出 Physics-Guided Visual Prompting（PG-VP），将不可见风险转化为冻结 Vision-Language-Action（VLA）模型能够响应的视觉障碍提示，无需重训练导航模型。 核心机制是：针对邻近的辐射源或热源进行物理引导的风险评估，确定规避方向，再在连续图像帧上叠加移动的虚拟障碍，即 Dynamic Visual Prompting，利用原有策略的可见障碍规避能力诱导绕行。不同风险类型使用相同虚拟障碍，使新增传感器不必改变视觉提示模式；未检测到风险时不渲染障碍，作者称此时策略行为与未使用 PG-VP 时相同。物理风险模型、传感器输入、障碍运动规则及接口实现尚未验证。 作者报告，在 OmniNav 上使用 R2R-CE 与 RxR-CE 的 val-unseen 划分评估，PG-VP 分别在 84.9% 与 83.2% 的案例中引导策略采取预期低风险动作，同时导航成功率分别下降 6.8 与 7.9 个百分点。这些结果表明风险规避存在任务完成代价，不能将低风险动作比例等同于导航成功率。作者还报告，在存在真实热源和辐射源的机器人场景中，无需重训练即可规避风险；相对对照，轨迹安全性最差 10% 样本的平均安全性分别提升 63.45% 与 32.59%。该安全指标的定义、对照配置、样本量、实验协议、消融及统计信息尚未验证。 研究对象是机器人环境风险感知与导航，并非 EEG 解码或 BCI 控制。摘要支持的机制价值在于以视觉提示连接异构风险传感与既有冻结策略，但未提供神经信号如何对应物理风险、如何构造有效提示的具体依据，因此暂不提出 EEG/BCI 迁移实验。已有 EEG 相关工作尚未检索确认。