GET：面向大规模未知环境的目标导向探索与定位
机器人学
2025-05-29 v2
摘要
在非结构化大规模环境中的目标搜索仍然是机器人学的一项基本挑战，特别是在户外自主探索等动态或广阔环境中。该任务需要鲁棒的空间推理以及利用先验经验的能力。尽管大语言模型(LLM)提供了强大的语义能力，但它们在具身场景中的应用受到空间推理中的接地差距以及记忆整合和决策一致性机制不足的限制。为了应对这些挑战，我们提出了 GET（目标导向探索与定位），一个通过结合基于 LLM 的推理与经验引导探索来增强目标搜索的框架。其核心是 DoUT（统一思维图），一个推理模块，通过基于角色的反馈循环促进实时决策，整合任务特定标准和外部记忆。对于重复性任务，GET 维护一个基于高斯混合模型的概率任务地图，允许随着环境演变对物体位置先验进行持续更新。在真实世界大规模环境中进行的实验表明，GET 在多个 LLM 和任务设置下提高了搜索效率和鲁棒性，显著优于启发式和仅使用 LLM 的基线。这些结果表明，结构化的 LLM 整合为复杂环境中的具身决策提供了一种可扩展且可泛化的方法。
引用
@article{arxiv.2505.20828,
title = {GET: Goal-directed Exploration and Targeting for Large-Scale Unknown Environments},
author = {Lanxiang Zheng and Ruidong Mei and Mingxin Wei and Hao Ren and Hui Cheng},
journal= {arXiv preprint arXiv:2505.20828},
year = {2025}
}