IEEE Transactions on Robotics

Navigating Uncertainty: Diffusion-Based User Intention Estimation for Wheelchair Assistance

作者：Fernando Estévez Casado, Rodrigo Chacón Quesada, Yiannis Demiris · 机构：Personal Robotics Laboratory, Department of Electrical and Electronic Engineering, Imperial College London, London, U.K.

会议/期刊：IEEE Transactions on Robotics · 发布日期：2026 · 页码：80-97

运动规划控制传感器移动机器人状态估计

精读笔记

Problem Setting

论文题目是《Navigating Uncertainty: Diffusion-Based User Intention Estimation for Wheelchair Assistance》（IEEE Transactions on Robotics / 2026）。这篇论文实际处理的是 shared-control powered wheelchair 中的短时意图估计：给定最近几秒的轮椅运动、用户输入、注意力和局部环境，预测用户接下来几秒可能希望轮椅走出的轨迹分布。

关键矛盾是：shared control 需要提前知道用户意图才能平滑辅助，但又不能把用户强行绑定到系统预设目标或最短路上。传统方法常把意图定义成“从候选目标集合中选一个”，这在结构化室内地图中可行，但在真实自由导航中很脆：目标集合不可穷举、地图不可总是预先标注、用户路线选择也未必是最短路径。

真正困难不在于预测一条平滑轨迹，而在于同一观测状态下存在多个合理未来。例如路口、门口、拥挤区域、狭窄空间倒车时，单一回归模型容易输出平均轨迹；目标分类方法又会过早离散化，把人的连续意图压成少数标签。轮椅场景比普通 pedestrian prediction 更麻烦的一点是，预测结果未来要接入控制，因此 collision feasibility 和 orientation 都不是附属指标。

Motivation

作者针对的是 wheelchair intention estimation 中两个长期缺口：第一，不确定性没有被认真建模；第二，系统对地图、人工目标、joystick 等单一输入源依赖过重。

已有 shared control 路线大致有两类：一类是 reactive safety intervention，只在快撞上时介入，用户体验差；另一类试图预测目标或短期目标，但通常依赖预定义目标、拓扑位姿、全局地图或最短路假设。这些假设在实验室里方便，但和日常轮椅使用的开放性相冲突。

作者的核心观察是：对辅助控制而言，不一定要恢复用户的长期目的地；短时局部轨迹已经是一个足够实用的意图接口。问题是这个短时接口必须是概率性的、多模态的，并且要和局部物理约束对齐。扩散模型被引入，本质上是为了把“多种合理未来”保留下来，而不是在训练目标中被 MSE 平均掉。

Core Idea

DIWIE 的核心思想是把 wheelchair user intention 从“目标识别”改写为“局部条件轨迹分布生成”。输入不是全局地图和候选 destination，而是轮椅局部坐标系下最近一段时间的多模态上下文；输出不是一个目标点或单一轨迹，而是一组从条件扩散模型采样得到的可行未来轨迹。

这个建模方式引入了两个重要 inductive bias。第一，egocentric local frame 让模型学习相对几何、用户操作和环境约束之间的关系，而不是记忆某个具体地图中的目标位置，因此比 predefined-goal methods 更容易迁移。第二，diffusion sampling 允许同一上下文对应多个 future modes，尤其适合路口、门口、绕障、倒车等多解场景。

与 prior 的本质差异不在“用了 diffusion”这个标签，而在于它没有先验地把 intention 离散成目标类别，也没有把多峰未来压进一个低维 latent cluster。它直接在轨迹空间学习条件分布，同时用 collision guidance 把物理可行性拉进生成过程。这比 CVAE/GAN 式生成更像是在 trajectory manifold 上做受约束的条件采样。

Method

方法中值得保留的机制只有几项。

第一，局部坐标系下的多模态条件表示。所有轨迹、occupancy、gaze、semantic heatmap 都对齐到轮椅当前位姿。这解决的是开放环境中全局地图和目标标注不可扩展的问题。核心变化是：模型学习局部交互规律，而不是学习场景 ID 或目标 ID。

第二，条件扩散轨迹生成。训练时对真实未来轨迹加噪，模型学习在上下文条件下逐步去噪；推理时从噪声采样多条未来轨迹。这解决的是多模态未来被单点估计抹平的问题。核心变化是预测对象从 point estimate 变成 sample-based conditional distribution。

第三，collision guidance。模型在 denoising 中根据当前 occupancy costmap 计算轨迹与障碍的软碰撞代价，并作为条件信息调制生成过程。这解决的是 generative model 容易产生看似合理但物理不可行轨迹的问题。它不是完整 planner，但把局部可行性作为 inductive bias 注入了生成模型。

第四，多输入源消融。论文不只是堆传感器，而是试图回答哪些 cue 对意图估计真正有用。结果显示历史轨迹仍最强，用户注意力是很有价值的补充，joystick 单独并不强，semantic heatmap 当前贡献有限。这一点比模块本身更有研究价值。

Key Insight / Why It Works

我认为这篇论文有效的主要原因有三层。

第一层是 representation alignment。所有信息被压到同一个 egocentric spatial-temporal frame 中，使模型看到的是“轮椅相对障碍、视线相对空间、语义相对当前位置”的关系。这比使用全局地图坐标更少依赖场景身份，也降低了跨环境泛化难度。这里的泛化很可能主要来自局部坐标归一化和数据覆盖，而不是模型真的形成了高级语义推理。

第二层是 generative inductive bias。扩散模型避免了 deterministic regression 的平均轨迹问题，也比 CVAE 更容易覆盖多峰分布。尤其在路口或多个门的场景中，保留多个 hypotheses 本身就比输出一个折中路径更适合 shared control。这里的核心贡献是把 uncertainty 作为输出结构的一部分，而不是训练后再估计。

第三层是 physical feasibility bias。单纯 diffusion 会因为 sample diversity 产生更多碰撞轨迹；collision guidance 把 occupancy constraint 变成生成过程中的软条件，显著降低 collision rate。这部分可能是论文中最实质的工程-方法结合点：它没有做完整规划，但用轻量 differentiable guidance 把局部几何可行性注入轨迹生成。

哪些部分可能只是辅助？语义层当前看起来贡献很弱，可能因为 YOLO 类别热图太稀疏、太静态，无法表达 affordance 或人-物-目标关系。CNN/LSTM/U-Net 结构本身也没有特别新，更多是合理工程组合。性能增益可能同时来自更大真实数据集、多模态输入、diffusion 采样和 collision guidance，文中虽然做了消融，但增益归因仍不完全清楚。

不确定性估计也要谨慎看。样本间方差是有用 proxy，但不是 calibrated probability，也不能给单条轨迹可靠置信度。换言之，它展示的是 diversity correlates with ambiguity，而不是严格 Bayesian uncertainty。

Relation To Prior Work

最接近的 prior 有三条线。

第一是 wheelchair shared control 中的目标推断 / POMDP / Bayesian destination prediction。这些方法通常假设候选目标集合、地图拓扑或最短路径。DIWIE 的实质差异是放弃全局目标识别，把 intention 下沉为局部未来轨迹分布，因此摆脱了人工目标标注，但也牺牲了长期目的地推理。

第二是 CVAE/GAN 类 trajectory generation。DIWIE 和这些工作共享“生成多个未来”的思想；新意不在生成式建模本身，而在 diffusion 的 mode coverage、训练稳定性，以及与局部 collision guidance 的结合。相较 CVAE 的 latent clustering，diffusion 更少需要预设 intent cluster 数量，也更不容易把复杂连续意图硬切成离散类别。

第三是 pedestrian / autonomous driving 中的 diffusion trajectory prediction。DIWIE 本质上把这条技术谱系迁移到 assistive mobility，并加入 wheelchair-specific cues：joystick、gaze/head pose、wheelchair footprint、orientation、局部 costmap。真正新增的信息不是 diffusion 理论，而是把 assistive robotics 的多模态人机信号组织成一个可训练的局部条件生成问题。

因此，这篇论文更像是“trajectory diffusion + egocentric multimodal shared-control interface”的系统化落地，而不是提出全新的生成模型。

Dataset / Evaluation

数据集是论文的重要资产：真实轮椅、13 名非残障驾驶者、多个室内/室外环境、自然导航、带行人动态干扰，并包含 gaze、head pose、semantic、occupancy、joystick 等同步信号。这比许多 wheelchair intention work 的小规模受控实验更有说服力。

评估上，作者采用 minADE/minFDE/CR，并增加 orientation error。这与 trajectory prediction 社区对齐，是好的选择。测试拆分包含 known/new user 与 known/new environment，能部分验证泛化 claim。结果确实支持：DIWIE 在 offline 轨迹预测和碰撞可行性上优于 ConvLSTM 与 CVAE，且多模态输入能降低不确定性。

但 evaluation 仍有明显边界。第一，所有指标都是 offline prediction，没有闭环 shared control 实验，因此不能直接证明用户体验、安全性、工作负担或 autonomy preservation。第二，minADE/minFDE 使用 best-of-M，对生成模型有天然优势；这符合多模态预测评估惯例，但也可能高估系统实际控制时的可用性，因为控制器最终必须选择或融合某条轨迹。第三，参与者是非残障驾驶者，和目标用户群体的 motor/cognitive patterns 可能不同。第四，动态障碍场景暴露出 occupancy-static 假设，说明真实部署中的 crowd interaction 还没有被充分验证。

Limitation

核心前提是：短时局部轨迹足以代表 shared control 所需的用户意图。这在低速轮椅辅助中大体合理，但遇到需要长期目标、任务语义或社交协商的场景时会不够。

第二个前提是训练数据覆盖了足够多的局部几何-行为组合。所谓跨环境泛化很可能主要来自局部坐标归一化和数据多样性，而不是模型具备真正 compositional reasoning。若进入未覆盖的医院、商场、人群密度或用户操作风格，性能上限不清楚。

第三，动态世界被静态化。occupancy costmap 只描述当前障碍，不建模障碍未来运动，因此在人群、车、自动门等场景中会过度保守或错误避让。这里不是小缺陷，而是局部轨迹预测接入控制时的关键障碍：用户可能想穿过一个即将打开的空间，但模型看到的是当前被占用。

第四，语义没有真正起作用。当前 semantic heatmap 更像稀疏类别通道，缺少对象状态、可通行性、交互关系和任务 affordance。文中未充分说明为什么语义层贡献有限，也没有给出更结构化语义建模的替代方案。

第五，uncertainty 没有校准。样本分歧可以作为 shared control 的启发式信号，但不能直接等同于置信概率。若后续用它调节 autonomy ratio，必须额外验证 calibration 和 failure cases。

第六，闭环控制鸿沟仍在。论文说预测可作为 motion planner 的输入，但没有展示 planner 如何在多 hypothesis 中决策，也没有验证预测误差如何影响实际 intervention。换言之，它解决了 perception/intention module，但还没证明系统级 shared autonomy 问题被解决。

Takeaway

  • 1. 对 wheelchair shared control，更可扩展的接口可能不是 long-term goal recognition，而是 egocentric short-horizon trajectory distribution。
  • 这个问题重定义本身很重要。
  • 2. 多模态 cue 中，用户注意力值得重视；joystick 不是唯一甚至不是最可靠的信息源。
  • 对 assistive robotics 来说，gaze/head pose 可能是比传统控制输入更早出现的意图信号。

一句话总结

DIWIE 是把扩散式多模态轨迹预测迁移到轮椅共享控制意图估计中的一篇强系统论文，真正贡献在于用局部条件分布替代预定义目标推断，并用物理约束引导生成，使 assistive navigation 从单点意图估计走向 uncertainty-aware short-horizon prediction。