哈喽大家好，我是疯狂读论文的戴夫。今天继续啃一篇论文，给快要宕机的脑子升升级。

智能轮椅听起来已经很成熟了：装上雷达、摄像头、避障算法，好像就能帮助行动不便的人更安全地移动。

但真正的人机协作没有这么简单。

轮椅用户在控制轮椅时，可能突然想绕开人群，可能想穿过门，也可能只是靠近门口看一眼。人在导航中的意图本身带有不确定性，尤其是在走廊分叉、门口、拥挤区域这些场景里，仅凭当前摇杆输入很难判断用户接下来到底想去哪里。

这篇 TRO 2026 论文讨论的就是这个问题：

智能轮椅能不能根据用户动作、视线、环境和语义信息，预测用户未来几秒可能走出的多条轨迹？

论文题目是：

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

DOI：10.1109/TRO.2025.3637101

可以理解为：

基于扩散模型的智能轮椅用户意图估计方法。

图1 DIWIE 概念图

---

一、这篇论文讲什么？

这篇论文研究的是智能轮椅中的 user intention estimation，用户意图估计。

在共享控制系统里，轮椅用户仍然是主要操作者，系统负责提供辅助。一个好的辅助系统，需要提前知道用户大概想往哪里走，再决定是否帮他避障、修正方向或提供额外速度控制。

这里的关键问题是：

用户意图不是一个确定答案，而是一组可能的未来轨迹。

比如在一个三岔路口，用户可能直行，也可能左转，也可能右转。在环境线索不足时，预测用户意图本来就存在不确定性。

所以作者没有把问题做成“预测一个唯一目标点”，而是提出了一个扩散模型框架：

DIWIE：Diffusion-based Wheelchair User Intention Estimation

它要做的事情是：输入最近一段时间的轮椅状态、环境障碍物、用户注意力、语义信息和摇杆命令，然后生成未来几秒内多条可能轨迹。

图2 DIWIE 总体框架

---

二、现有方法卡在哪里？

早期智能轮椅的意图估计，常依赖预定义地图、固定目标点或简单启发式规则。

比如系统先知道环境里有哪些门、走廊、终点，再根据用户当前位置和摇杆输入判断他可能要去哪。

这种方法在结构化环境里可以工作，但现实场景更复杂：

用户目标可能临时变化；
环境里可能有人群和动态障碍物；
用户不一定总是走最短路径；
预先标注所有可能目标并不现实；
只看摇杆输入，很难理解用户更高层的意图。

所以这篇论文的切入点是：

用数据驱动方法建模用户短期未来轨迹，同时显式保留人类行为的不确定性。

扩散模型正好适合做这件事，因为它可以从噪声中生成多种合理轨迹，而不是只输出一条确定路线。

---

三、作者怎么解决？

DIWIE 的核心思路可以概括为：

把轮椅用户意图估计，建模成条件扩散模型下的短期轨迹生成问题。

它预测的不是长期目标，比如“去办公室”或“去门口”，而是未来几秒的短期轨迹。

论文中使用过去 5 秒的历史信息，预测未来 5 秒的轮椅运动轨迹。

输入信息包括五类：

第一，轮椅过去运动轨迹。
也就是轮椅最近怎么移动、朝向怎么变化。

第二，占据栅格图。
用来表示周围障碍物，比如墙、桌子、人群、门框等。

第三，用户注意力信息。
包括眼动注视点和头部姿态，用来判断用户可能在看哪里。

第四，语义信息。
比如门、桌子、椅子、人、楼梯等环境元素。

第五，摇杆命令。
也就是用户当前给轮椅的控制输入。

DIWIE 把这些信息编码成上下文表示，再通过扩散模型逐步去噪，生成多条可能的未来轨迹。

图3 模型结构图

---

四、关键设计拆解

1. 多模态输入

这篇论文最大的特点之一，是输入信息很丰富。

传统方法常常主要依赖摇杆输入和轮椅运动历史。DIWIE 进一步加入了障碍物、用户注意力和语义环境。

这很符合真实导航逻辑。

用户看向一扇门，可能意味着想穿过去；
用户看向旁边的人，可能意味着准备避让；
前方有桌子、墙或人群，都会影响未来路径选择。

轮椅要理解用户意图，就不能只看摇杆，还要看用户在看哪里、环境里有什么。

2. 条件扩散模型

扩散模型的作用，是从随机噪声中逐步生成未来轨迹。

在训练时，模型学习如何把加噪后的真实轨迹一步步还原回来；在推理时，模型从随机噪声出发，结合当前上下文，生成多条可能轨迹。

这样做的好处是可以表达不确定性。

如果当前场景很明确，多条轨迹会比较集中；如果当前场景有多个可能方向，多条轨迹会更分散。

3. 碰撞引导

作者还加入了 Collision Guidance，碰撞引导模块。

模型在生成轨迹时，会结合占据栅格图判断轨迹是否靠近障碍物，从而减少不合理的碰撞预测。

这让生成结果更接近真实轮椅导航需求，而不是只在数学上拟合轨迹。

4. 真实智能轮椅平台

论文使用的是自建智能轮椅平台，传感器包括 LiDAR、IMU、RGB-D 相机、HoloLens 2 头显等。

HoloLens 用来采集用户头部姿态和眼动注视信息；LiDAR 和相机用于构建障碍物与语义环境。

图4 智能轮椅平台

---

五、实验怎么验证？

作者构建了一个真实导航数据集。

数据来自 13 名驾驶者，在 4 个不同环境中自由驾驶轮椅。场景包括室内走廊、办公室、会议室、咖啡区、室外开放区域和行人较多的空间。

为了让驾驶行为更自然，作者还设计了一个 AR 找宝石小游戏：用户需要驾驶轮椅去寻找并收集虚拟宝石。

这样做的好处是，用户不是机械地按固定路线行驶，而是在更接近自然探索的状态下控制轮椅。

图5 AR 找宝石数据采集游戏

图6 数据采集环境

评价指标主要包括：

minADE：预测轨迹和真实轨迹的平均位置误差；
minFDE：最后一个预测点和真实终点的误差；
minRMSEO：轮椅朝向预测误差；
CR：预测轨迹碰撞率。

作者把 DIWIE 和 ConvLSTM、CVAE，以及没有碰撞引导模块的 DIWIE 变体进行了对比。

---

六、实验结果说明什么？

实验结果可以概括成三点。

第一，DIWIE 的轨迹预测更准。

从表格结果看，DIWIE 在 minADE、minFDE 和碰撞率上整体优于对比方法。尤其是 minFDE 能做到 1 米以内，这对于 5 秒预测窗口和轮椅自身尺寸来说比较有意义。

图7 不同模型性能对比

第二，多模态信息确实有帮助。

随着输入信息从单纯历史轨迹，逐步加入障碍物、注意力、语义信息和摇杆命令，模型整体表现变好。说明用户意图估计不能只靠轮椅过去怎么走，还需要结合用户和环境上下文。

第三，DIWIE 能表达不确定性。

论文中展示了不同场景下的定性结果。在三岔路口这类高不确定场景中，DIWIE 会生成多条可能轨迹，并保留多个合理假设。随着上下文信息增加，预测轨迹会逐渐集中，说明模型置信度提高。

图8 预测误差随时间变化

图9 四类场景预测可视化

不过论文也指出一个限制：DIWIE 对动态障碍物的显式建模还不够。例如人群正在移动时，模型未必能准确预测这些人未来会让出空间。

---

七、论文画像

应用范围： 这篇论文主要面向智能轮椅、辅助移动机器人、共享控制和人机意图预测，应用场景比较聚焦，但实际价值很强。

复现友好度： 复现门槛较高。模型本身可以复现，但完整实验需要智能轮椅、多传感器平台、眼动头显和真实用户数据采集。

方法新颖度： 亮点在于把扩散模型用于轮椅用户短期意图估计，并结合多模态输入和碰撞引导生成多条可行轨迹。

思维借鉴度： 很适合学习如何把辅助机器人问题转化成轨迹预测问题，也适合借鉴多模态数据融合和评价指标设计。

技术完整度： 论文从问题定义、模型设计、机器人平台、数据集采集到多指标实验验证，形成了比较完整的技术链条。

实验充分性： 实验包含真实平台、多个用户、多个环境、多种输入组合和多模型对比，支撑较充分。

---

最后总结

这篇 TRO 论文的核心价值在于：

它把智能轮椅辅助控制中的“用户想去哪”，转化成了一个多模态条件下的未来轨迹生成问题。

这篇文章最值得学的地方有三个：

第一，问题定义很清楚。
它不强行预测长期目的地，而是预测短期未来轨迹，更适合共享控制。

第二，多模态设计很完整。
轮椅运动、摇杆、障碍物、视线、头部姿态和语义环境都被纳入模型。

第三，实验比较扎实。
真实轮椅平台、真实用户、真实环境和公开指标，让结果更有说服力。

如果只记住一句话：

好的辅助机器人系统，需要在保留用户自主性的前提下，提前理解用户可能想怎么走。

关注我了解更多相关咨询。