CORNAV：融合2D CAD图纸与施工进度表的在建工地机器人导航框架

如何让移动机器人在缺乏BIM、仅使用2D CAD图纸和项目进度表的情况下，在动态在建工地中理解自然语言指令并生成符合进度和安全约束的导航路径？

在建工地环境持续变化，施工活动会改变可通行区域，同时需要遵守临时作业区、禁区等安全约束。现有语言导航系统仅依赖语义场景理解，缺少建筑图纸、施工进度和安全规则等背景，导致永久建筑特征定位不可靠，也无法安全避开随进度变化的危险区域。此外，BIM建模成本高、普及率低，中小企业仍依赖2D CAD图纸和独立维护的进度表，现有BIM调度导航方法不适用。

此前方法分别发展：HOV-SG等开放词汇3D场景图提供语义检索，但基于几何启发或视觉语言标注的房间划分不稳定，房间标签准确率低；基于BIM或IFC的调度感知导航（如Follini等、Gopee等）需要BIM模型，并把声明的危险区当作静态禁区，且通过结构化查询解析目标，无法利用现场观测到的可移动物体；基于LLM的安全推理通常由设计者预设约束，未结合项目文档。

CORNAV的新颖之处在于：离线预处理解析DXF格式2D CAD图纸，提取房间多边形并与机器人占据栅格地图进行两阶段刚体对齐；将项目进度表转换为结构化JSON，包含活动、房间、时间窗和危险等级；用HOV-SG从RGB-D观测构建开放词汇3D场景图。在线处理采用混合物体接地：可移动物体用CLIP检索，永久建筑固定装置直接从CAD图纸注册表解析，房间身份通过点是否落在蓝图多边形内确定。调度查询在请求时间激活硬禁区或软警示区。LLM安全校验模块（GPT-4o）根据OSHA 29 CFR 1926规则对软区评分，分数≥0.7升级为硬禁区。A*规划器将硬禁区栅格化为占用单元，软区施加5倍穿越成本，并加入障碍物邻近成本场。

在室内办公室和一个在建工地，使用Unitree Go2采集的RGB、深度和位姿数据进行了离线定量评估，真机部署在Go2和G1人形机器人上进行了定性验证。蓝图对齐RMSE在0.135米至0.386米之间。HOV-SG的房间标签准确率仅为3.3%（30个片段中1个匹配），而蓝图确定性查找可正确解析房间。在89次调度感知导航试验中，74次可行，硬禁区违规为0；软区回避率（SACR）在77.3%、65.2%、65.2%和23.8%之间，平均路径效率比（PER）接近1.0。在54个导航请求的消融研究中，完整CORNAV达到CCR 100%、TSR 72.2%、FPR 46.3%、SACR 29.6%和PER 0.988；去掉蓝图接地的变体TSR降至13.0%；去掉进度感知变体CCR降至53.7%；去掉安全校验变体CCR为83.3%；仅用HOV-SG基线TSR为7.4%、CCR为42.6%、PER为1.398。按目标来源看，蓝图固定装置在CORNAV中TSR为100%，而CLIP检索对象为63.4%；w/o Blueprint均大幅下降。安全校验实验中，4个危险案例全部被升级为硬禁区，4个非危险案例保持软区，ZER从100%降至0.0%，64次评分中除一个案例标准差0.024外其余为0。

作者未单列限制，但可识别：定量实验仅在1个办公室和1个在建工地完成，且基于离线记录数据，真机部署仅为12次定性演示；导航请求规模有限（54个消融请求、89次调度试验、8个安全案例）；安全验证依赖GPT-4o，阈值0.7为设计常数，未分析API延迟或成本；蓝图对齐存在最高0.386米误差，可能影响小房间或边界目标；未报告代码是否开源；尚未扩展到多机器人协同或移动操作。