Este artículo aborda el problema de garantizar la seguridad de los agentes físicos en la navegación visual-lenguaje (VLN). En particular, nos centramos en la navegación de drones basada en la interacción persona-computadora, que debe comprender comandos de lenguaje natural, percibir el entorno y evitar peligros en tiempo real. Para ello, proponemos un novedoso CBF de reconocimiento de escenas que utiliza información de observación egocéntrica de cámaras RGB-D mediante la función de barrera de control (CBF) y el control predictivo de modelos (MPC). El sistema base, que no utiliza el CBF existente, planifica la ruta utilizando un codificador visual-lenguaje y un modelo de detección de objetos. Además, proponemos un algoritmo de margen de seguridad adaptativo (ASMA) para rastrear objetos en movimiento y realizar la evaluación del CBF de reconocimiento de escenas en tiempo real, que se utiliza como una restricción adicional dentro del marco MPC. Al aplicarlo a un cuadricóptero Parrot Bebop2 en un entorno Gazebo, confirmamos que la tasa de éxito aumenta entre un 64 % y un 67 % en comparación con el sistema base, y que la longitud de la ruta aumenta solo entre un 1,4 % y un 5,8 %.
