超越一个点：基于自适应affordance热图捕捉空间 grounding 中的不确定性
机器人学
2025-10-16 v2
摘要
许多语言引导的机器人系统依赖将空间推理压缩为离散点，导致对感知噪声和语义模糊性脆弱。为解决此挑战，我们提出RoboMAP框架，代表空间目标为连续、自适应的affordance热图。这种稠密表示捕捉空间 grounding 的不确定性，为下游策略提供更丰富的信息，从而显著提升任务成功率和可解释性。RoboMAP在大多数grounding基准测试中超越了前一最先进方法，实现了最高50倍的速度提升，在真实世界操作中实现了82%的成功率。通过大量模拟和物理实验，表明其表现稳健，并在导航中展现出强大的零样本泛化能力。更多细节和视频请访问 https://robo-map.github.io。
引用
@article{arxiv.2510.10912,
title = {More than A Point: Capturing Uncertainty with Adaptive Affordance Heatmaps for Spatial Grounding in Robotic Tasks},
author = {Xinyu Shao and Yanzhe Tang and Pengwei Xie and Kaiwen Zhou and Yuzheng Zhuang and Xingyue Quan and Jianye Hao and Long Zeng and Xiu Li},
journal= {arXiv preprint arXiv:2510.10912},
year = {2025}
}
备注
More details and videos can be found at https://robo-map.github.io