发表机构
Incheon National University（仁川国立大学）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本文提出HDS，一种人机协同神经符号框架，结合神经漂移风险评估与符号约束推理，利用LLM桥接人类上下文，以增强视觉SLAM在分布外环境中的漂移预判可靠性与一致性。
AI 中文摘要
本文介绍了混合深度SEE（HDS），一种用于视觉SLAM（V-SLAM）中主动漂移预判的人机协同（HITL）神经符号框架。尽管数据驱动模型具有预测能力，但其“黑箱”特性在分布外（OOD）环境中往往产生物理上不一致的输出。为解决此问题，HDS将神经漂移风险评估与符号约束推理相结合。通过利用大语言模型（LLM）作为推理桥梁，该框架将定性的人类上下文转化为可解释的符号约束。基于此架构，我们提出了一种更优的漂移预判框架，确保视觉SLAM中增强的可靠性和一致性。
英文摘要
This paper introduces Hybrid DeepSEE (HDS), a Human-in-the-Loop (HITL) neuro-symbolic framework for proactive drift anticipation in Visual SLAM (V-SLAM). While data-driven models offer predictive power, their "black-box" nature often yields physically inconsistent outputs in out-of-distribution (OOD) environments. To address this, HDS integrates neural drift risk estimation with symbolic constraint reasoning. By utilizing a Large Language Model (LLM) as a reasoning bridge, the framework translates qualitative human context into interpretable symbolic constraints. Building upon this architecture, we propose a superior drift anticipation framework that ensures enhanced reliability and consistency in Visual SLAM
CommentsIFAC conference paper; 5 figures
