如何不训练你的龙：基于语义前沿的无训练具身物体目标导航

物体目标导航是具身 AI 中的一个重要问题，涉及引导智能体在未知环境（通常为室内场景）中导航至该物体类别的实例。遗憾的是，当前该问题的最先进方法严重依赖数据驱动方法，例如端到端强化学习、模仿学习等。此外，此类方法通常训练成本高且难以调试，导致可迁移性与可解释性不足。受近期结合经典与学习方法成功的启发，我们提出了一种模块化且无训练的解决方案，其采用更经典的方法来处理物体目标导航问题。我们的方法基于经典视觉同步定位与建图（V-SLAM）框架构建结构化场景表示。随后我们将语义注入基于几何的前沿探索中，以推理出搜索目标物体的有望区域。我们的结构化场景表示包含 2D 占据栅格图、语义点云与空间场景图。我们的方法基于语言先验与场景统计在场景图上传播语义，从而将语义知识引入几何前沿。借助注入的语义先验，智能体能够推理出最值得探索的前沿。所提流程在 Gibson 基准数据集上展现出强劲的物体目标导航实验性能，优于先前最先进水平。我们还进行了全面的消融实验以识别当前物体导航任务的瓶颈。