MOON：基于多目标优化的对象-目标导航
机器人学
2026-01-06 v3
摘要
本文提出 MOON（Multi-Objective Optimization-driven Object-goal Navigation），一个用于高效导航的新型框架，适用于大规模复杂室内环境。虽然现有方法常依赖局部启发式，但经常未能解决在广阔区域内不同目标之间的战略权衡。为此，我们将任务形式化为多目标优化问题 (MOO)，在基于 frontier 的探索与对观察地标的开发之间进行平衡。我们的原型系统集成了三个关键模块：(1) 用于判别式地地标编码的 QOM [IROS05]；(2) 提升导航管线的 StructNav [RSS23]；(3) 用于全局一致规划的可变时域 Set Orienteering Problem (SOP) 表述。为进一步支持框架的可扩展性，我们提供了受预算约束的 SOP 表述的详细理论基础，以及一种数据驱动的模式切换策略，以实现长时域资源分配。此外，我们引入一种高速神经网络规划器，将专家求解器蒸馏为基于 transformer 的模型，决策延迟降低了近乎 10 倍，同时保持高的规划质量。
引用
@article{arxiv.2505.12752,
title = {MOON: Multi-Objective Optimization-Driven Object-Goal Navigation Using a Variable-Horizon Set-Orienteering Planner},
author = {Daigo Nakajima and Kanji Tanaka and Daiki Iwata and Kouki Terashima},
journal= {arXiv preprint arXiv:2505.12752},
year = {2026}
}
备注
9 pages, 7 figures, technical report