通过 LLM 增强的对象亲和力转移实现目标导向导航的提升
机器人学
2025-07-22 v3
摘要
目标导向导航要求移动机器人能够利用视觉和空间信息高效地定位目标，但现有方法在未见环境中的泛化能力有限。基于经验度量的启发式方法在复杂布局中表现不佳，而图基方法和基于学习的方法则受环境偏差和泛化受限的制约。尽管大语言模型（LLM）作为规划器或智能体提供了丰富的知识库，但其成本高昂且缺乏针对性的历史经验。为此，我们提出了 LLM 增强的对象亲和力转移（LOAT）框架，集成 LLM 派生的语义信息与基于学习的方法，利用经验性对象亲和力以实现在未见环境中的更好泛化。LOAT 采用双模块策略：一个模块访问 LLM 的广泛知识，另一个模块应用所学的对象语义关系，根据上下文动态融合这些信息源。在 AI2-THOR 和 Habitat 模拟器中的评估显示，导航成功率和效率得到显著提升，实际部署结果表明 LOAT 能够以零样本方式提升目标导向导航系统的性能。
引用
@article{arxiv.2403.09971,
title = {Advancing Object Goal Navigation Through LLM-enhanced Object Affinities Transfer},
author = {Mengying Lin and Shugao Liu and Dingxi Zhang and Yaran Chen and Zhaoran Wang and Haoran Li and Dongbin Zhao},
journal= {arXiv preprint arXiv:2403.09971},
year = {2025}
}