内容摘要
作者提出单目视觉安全认证框架，以光流编码的无尺度、深度归一化相对运动构造碰撞锥与安全约束，避免显式重建障碍物状态或度量世界模型。并发学习观测器估计归一化相对速度并给出误差界，通过角度膨胀和机器人轮廓裕量形成鲁棒视觉碰撞锥控制屏障函数，再由最优衰减二次规划按需修正名义控制。作者在 TurtleBot3 上开展仿真与真机验证；真机关闭 RealSense 深度流，仅依赖单目视觉和本体里程计，在 Jetson Orin Nano 上完成感知与控制。
仿真观测器测试中，在线误差界覆盖 98.3% 的评估样本；开放实验室与狭窄走廊的静动态障碍真机测试中，100 次试验有 93 次无碰撞。作者将其余失败归因于障碍物极近距离进入视野，感知更新不及时。实验旨在检验该表示对安全认证的支持，而非建立导航性能基准。安全证书仅针对选中的关键障碍物，并依赖足够有信息量的历史观测；轮廓裕量仍使用单目深度估计，采用统计裕量时也不能一概视为确定性保证。以上均为作者报告，不是独立复现结果。
点评
该工作的技术意义在于尝试直接以光流中的相对运动构造显式安全约束，并将估计不确定性纳入碰撞锥几何；材料支持的是作者在所述条件下的实现与验证，不支持跨方法性能排名或通用安全能力结论。
证据来自作者论文，而非独立研究复现。安全证书针对选中的关键障碍物，依赖有信息量的历史观测，且感知更新之间保持碰撞锥裕量不变；近距离突然进入视野的障碍物不在其所述覆盖条件内。采用统计裕量时提供的是置信保证。轮廓裕量使用基于静态障碍假设的单目深度估计，因此不能解读为完全不估计深度。
版本与核查范围
版本 2610.21374v1 · 原文定位与程序检查、独立上下文模型复核；不代表独立研究复现。。依据已核查材料整理；未运行模型或机器人。
原文与定位
- 原文链接 #abstract1.1；#S1.p2.1；#S1.p5.1；#S7.SS2.p1.1；#S7.SS1.SSS1.p1.1；#S7.SS2.p2.1；#S7.SS2.SSS1.p1.1；#S7.SS2.SSS1.p1.1；#S5.SS2.p3.3；#S5.SS2.SSS2.p1.1