SONAR：基于跨模态推理的语义对象导航
机器人学
2025-09-30 v1
摘要
理解人类指令并在未知环境中完成视觉-语言导航任务对机器人而言是必不可少的。然而，现有的模块化方法严重依赖训练数据的质量，往往表现出较差的泛化能力。而基于视觉-语言模型的方法虽然展示了强大的泛化能力，但在语义线索较弱时往往表现不佳。为此，本文提出SONAR，通过跨模态范式实现聚合推理。该方法将基于语义地图的目标预测模块与基于视觉-语言模型的值图模块集成，实现了在语义线索水平各异的未知环境中更稳健的导航，并有效平衡了泛化能力与场景适应性。在目标定位方面，我们提出了一种将多尺度语义地图与置信度图集成的策略，旨在缓解目标对象的误检。在Gazebo模拟器中对SONAR进行了评估，采用最具挑战性的Matterport 3D(MP3D)数据集作为实验基准。实验结果表明，SONAR实现了38.4%的成功率和17.7%的SPL。
引用
@article{arxiv.2509.24321,
title = {SONAR: Semantic-Object Navigation with Aggregated Reasoning through a Cross-Modal Inference Paradigm},
author = {Yao Wang and Zhirui Sun and Wenzheng Chi and Baozhi Jia and Wenjun Xu and Jiankun Wang},
journal= {arXiv preprint arXiv:2509.24321},
year = {2025}
}