DORAEMON：面向增强记忆导航的去中心化本体感知可靠智能体
机器人学
2025-09-29 v4 人工智能
摘要
在陌生环境中的自适应导航对家庭服务机器人至关重要，但由于需要同时进行低级路径规划和高级场景理解，这仍然具有挑战性。虽然近期基于视觉语言模型（VLM）的零样本方法减少了对先验地图和特定场景训练数据的依赖，但它们面临重大局限性：离散观测导致的时空不连续性、非结构化的记忆表示，以及导致导航失败的任务理解不足。我们提出了 DORAEMON（面向增强记忆导航的去中心化本体感知可靠智能体），一种由认知启发的新颖框架，由腹侧流和背侧流组成，模拟人类的导航能力。背侧流实现了分层语义-空间融合和拓扑图以处理时空不连续性，而腹侧流结合 RAG-VLM 和 Policy-VLM 来改善决策。我们的方法还开发了 Nav-Ensurance 以确保导航的安全性和效率。我们在 HM3D、MP3D 和 GOAT 数据集上评估了 DORAEMON，它在成功率（SR）和路径长度加权成功率（SPL）指标上均取得了 SOTA 性能，显著优于现有方法。我们还引入了一个新的评估指标（AORI）以更好地评估导航智能。综合实验证明了 DORAEMON 在无需先验地图构建或预训练的零样本自主导航中的有效性。
引用
@article{arxiv.2505.21969,
title = {DORAEMON: Decentralized Ontology-aware Reliable Agent with Enhanced Memory Oriented Navigation},
author = {Tianjun Gu and Linfeng Li and Xuhong Wang and Chenghua Gong and Jingyu Gong and Zhizhong Zhang and Yuan Xie and Lizhuang Ma and Xin Tan},
journal= {arXiv preprint arXiv:2505.21969},
year = {2025}
}