CausalNav：面向动态户外场景的自主移动机器人长期具身导航系统
机器人学
2026-01-06 v1
摘要
在大型户外环境中进行自主语言引导导航仍然是移动机器人领域的关键挑战，原因在于语义推理、动态条件和长期稳定性方面的困难。我们提出了CausalNav，这是第一个专为动态户外环境定制的基于场景图的语义导航框架。我们使用LLM构建了一个多级语义场景图，称为具身图，它分层整合了粗粒度地图数据与细粒度对象实体。构建的图作为检索增强生成（RAG）的可检索知识库，支持在开放词汇查询下进行语义导航和长程规划。通过融合实时感知与离线地图数据，具身图支持在动态户外环境中跨不同空间粒度的稳健导航。动态对象在场景图构建和分层规划模块中都被显式处理。具身图在时间窗口内持续更新以反映环境变化并支持实时语义导航。在仿真和真实世界环境中的大量实验证明了其卓越的鲁棒性和效率。
引用
@article{arxiv.2601.01872,
title = {CausalNav: A Long-term Embodied Navigation System for Autonomous Mobile Robots in Dynamic Outdoor Scenarios},
author = {Hongbo Duan and Shangyi Luo and Zhiyuan Deng and Yanbo Chen and Yuanhao Chiang and Yi Liu and Fangming Liu and Xueqian Wang},
journal= {arXiv preprint arXiv:2601.01872},
year = {2026}
}
备注
Accepted by IEEE Robotics and Automation Letters (RA-L)