寻你所欲：面向需求驱动导航的需求条件化物体属性空间学习

视觉物体导航（VON）任务要求智能体在给定场景中定位特定物体。要成功完成 VON 任务，必须满足两个基本条件：1) 用户必须知道目标物体的名称；2) 用户指定的物体必须实际存在于场景中。为满足这些条件，模拟器可将预定义物体名称与位置纳入场景的元数据中。然而在真实场景中，往往难以保证这些条件始终成立。处于陌生环境的人可能不知道场景中有哪些物体，也可能误指定实际不存在的物体。尽管如此，人类仍可能对某物体有需求，而该需求可由场景中其他物体以等价方式满足。因此，我们提出需求驱动导航（DDN），以用户需求作为任务指令，引导智能体寻找满足指定需求的物体。DDN 旨在通过关注满足用户需求，而非仅依赖预定义物体类别或名称，来放宽 VON 的严苛条件。我们提出一种方法，首先通过从大语言模型中提取常识来获取物体的文本属性特征，随后使用对比语言-图像预训练（CLIP）将这些文本属性特征与视觉属性特征对齐。通过将视觉属性特征作为先验知识，我们增强了导航过程。在 AI2Thor 结合 ProcThor 数据集上的实验表明，视觉属性特征提升了智能体的导航性能，并优于 VON 中常用的基线方法。