在非结构化环境中，可靠评估安全着陆场地对于无人机（UAV）的实际应用至关重要，尤其是在配送、检查和监控等领域。现有的基于学习的方法在协变量转移下通常表现不佳，并且透明度有限，使得其决策难以解释和验证。
我们提出了 NeuroSymLand，这是一个神经符号框架，用于无标记的无人机着陆场地安全评估，明确将感知驱动的世界建模与基于逻辑的安全推理分开。该框架通过一个轻量级分割模型逐步构建一个编码对象、属性和空间关系的概率语义场景图。符号安全规则通过大型语言模型离线合成，并经过人类参与的改进，在运行时直接在该世界模型上执行，从而进行白盒推理，生成带有人类可读解释的排名着陆候选者，解释潜在的安全约束。
在72个模拟和硬件在环的着陆场景中，NeuroSymLand 实现了61次成功评估，优于四个竞争基线（它们的成功次数在37到57之间）。定性分析突显了其卓越的可解释性和透明推理，同时部署所需的边缘开销微乎其微。我们的结果表明，结合明确的世界建模与符号推理可以支持移动系统中准确、可解释和边缘可部署的安全评估，这在无人机着陆场地评估中得到了验证。
博主点评： NeuroSymLand展现了在无人机领域应用神经符号方法的巨大潜力，通过将感知与逻辑推理相结合，显著提高了安全评估的透明度和可解释性。这一创新为无人机在复杂环境中的安全操作提供了新的思路，值得关注与深入研究。