ForesightNav：基于场景想象的高效探索学习
机器人学
2025-06-06 v3 计算机视觉与模式识别
摘要
理解人类如何利用先验知识在未看见的环境中做出探索性决策，对于开发具有类似能力的自主机器人至关重要。本文提出了 ForesightNav，一种受人类想象和推理启发的新型探索策略。我们的方法为机器人代理提供了对未探索区域的占有情况和语义细节的预测能力。这些预测使机器人能够有效选择有意义的长期导航目标，显著提升了在未看见的环境中的探索效率。我们使用 Structured3D 数据集验证了基于想象的方法，证明了占有情况预测的准确性以及对预测未看见场景几何形状的优越性能。我们的实验表明，想象模块在未看见的环境中的探索效率得到提高，在 Structured3D 验证集上实现了 100% 的 PointNav 完成率，ObjectNav 的 SPL 为 67%。这些贡献表明了想象驱动的推理对增强自主系统的通用性和高效探索具有巨大的潜力。
关键词
引用
@article{arxiv.2504.16062,
title = {ForesightNav: Learning Scene Imagination for Efficient Exploration},
author = {Hardik Shah and Jiaxu Xing and Nico Messikommer and Boyang Sun and Marc Pollefeys and Davide Scaramuzza},
journal= {arXiv preprint arXiv:2504.16062},
year = {2025}
}