CoSMO：开放世界导航的共形语义映射

基于摘要分析。该研究面向开放世界中的机器人安全导航，处理不同物体类别所需安全间距不同、危险类别集合随探索扩展，以及视觉语言模型（VLM）置信度校准不足的问题。作者提出 CoSMO，将 VLM 嵌入转换为经校准的覆盖集合及安全感知的障碍物膨胀，以连接语义不确定性与导航安全约束。 核心机制是将保形预测（CP）用于动态扩展的危险类别词表，并考虑分布偏移。相较于仅依据几何避障的方案，该框架利用物体语义决定安全间距；相较于假设固定标签集与平稳数据的保形预测方法，其研究重点是开放世界中的校准与覆盖。摘要未给出非一致性分数、校准更新规则、类别扩展机制，以及形式化保证所依赖的假设，这些内容尚未验证。 作者报告，在 Matterport3D（MP3D）数据集的导航实验中，CoSMO 相对仅几何基线将语义碰撞减少了 61.6%，并在专家反馈延迟时仍保持形式化覆盖保证。作者还报告，四足机器人实地实验的长期经验覆盖率为 90.73%，目标覆盖率为 90%。经验覆盖率与形式化覆盖保证不能等同；数据划分、碰撞定义、试验规模、反馈延迟设置、消融及统计信息尚未验证。 平台推测（待验证）：其可供 EEG/BCI 借鉴的是分布偏移下的预测集合校准与延迟反馈处理，而非导航地图或障碍物膨胀。若用于跨被试或跨会话 EEG 解码，需要将 VLM 嵌入替换为 EEG 表征，并明确校准数据、标签反馈和拒判决策规则；动态类别扩展也必须有实际任务依据。低信噪比、被试差异、通道变化及小样本校准可能使预测集合过大，或使覆盖保证的适用假设不成立。可检验的小实验是在固定 EEG 解码器上，以跨会话评估比较常规保形校准与论文方案，控制反馈延迟，同时记录覆盖率、预测集合大小和拒判比例。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。