基于语义推理的 SEEK：面向实际检查任务的对象目标导航

本文解决了在真实环境中进行自主检查的对象目标导航问题。对象目标导航对于实现各种场景下的有效检查至关重要，通常要求机器人在庞大的搜索空间中识别目标对象。当前对象检查方法不足以匹配人类的效率，因为它们通常无法像人类一样启动先验和常识知识。在本文中，我们提出一种框架，使机器人能够利用来自先验环境空间配置的语义知识和语义常识知识。我们提出了 SEEK（Semantic Reasoning for Object Inspection Tasks，即对象检查任务的语义推理），该方法将语义先验知识与机器人的观察结合起来，以更高效地搜索和导航至目标对象。SEEK 维护两种表征：动态场景图（DSG）和关系语义网络（RSN）。RSN 是一个紧凑且实用的模型，估计目标对象在 DSG 中跨越空间元素的概率。我们提出了一种新颖的概率规划框架，用于利用关系语义知识搜索目标对象。我们的仿真分析表明，SEEK 在对象目标检查任务中优于经典规划方法和大型语言模型（LLM）-基方法。我们在实体四足机器人上进行了验证，展示了其在真实世界检查场景中的实用性和有效性。