探索零样本目标导航中基于基础模型前沿选择的可靠性

本文提出了一种在零样本物体目标导航（ZS-OGN）中进行可靠前沿选择的新方法，通过基础模型增强机器人导航系统，以改善室内环境中的常识推理能力。我们的方法引入了一个多专家决策框架，以解决基于基础模型的系统中常见的无意义或不相关推理问题。该方法包含两个关键组件：多样化专家前沿分析（DEFA）和共识决策（CDM）。DEFA 利用三个专家模型：家具布局、房间类型分析和视觉场景推理，而 CDM 则聚合它们的输出，优先考虑一致同意或多数共识，以做出更可靠的决策。我们的方法在 RoboTHOR 和 HM3D 数据集上展现了最先进的性能，在导航至未训练过的物体或目标方面表现出色，并优于多种基线方法，展示了其对动态现实世界条件的适应性和卓越的泛化能力。