层次化表征与显式记忆：利用图神经网络在三维场景图上学习有效导航策略

表征对于机器人学习有效的导航策略至关重要。最近的研究表明，中层感知抽象，如深度估计或二维语义分割，当作为观测提供以替代原始传感器数据（例如RGB图像）时，能产生更有效的策略。然而，此类策略仍必须从中层抽象中学习潜在的三维场景属性。相比之下，高层、层次化的表征，如三维场景图，明确提供了场景的几何、拓扑和语义信息，使其成为极具吸引力的导航表征。在这项工作中，我们提出了一个强化学习框架，利用高层层次化表征来学习导航策略。为实现这一目标，我们提出了一种图神经网络架构，并展示了如何将三维场景图嵌入到以智能体为中心的特征空间中，这使机器人能够以端到端的方式学习底层动作的策略。对于场景图中的每个节点，我们的方法使用捕捉占据和语义内容的特征，同时显式保留机器人轨迹的记忆。我们在一个具有挑战性的物体搜索任务中，通过与常用的视觉运动策略进行对比，证明了我们方法的有效性。这些实验和相关的消融研究表明，我们的方法能产生更有效的物体搜索行为，展现出改进的长期记忆，并成功利用层次化信息来指导其导航目标。