SpatialNav：利用空间场景图实现零样本视觉语言导航

尽管基于学习的视觉语言导航 (VLN) 智能体能够从大规模训练数据中隐式学习空间知识，但零样本 VLN 智能体缺乏这一过程，主要依赖局部观测进行导航，从而导致探索效率低下和显著的性能差距。为解决此问题，本文考虑一种零样本 VLN 设置，即在任务执行前允许智能体充分探索环境。随后构建空间场景图 (Spatial Scene Graph, SSG) 以显式捕获已探索环境中的全局空间结构和语义信息。基于 SSG，本文引入 SpatialNav—a 个零样本 VLN 智能体，集成了以主体为中心的空间地图、与指南针对齐的视觉表征以及远程物体定位策略，以实现高效导航。在离散环境和连续环境中的全面实验表明，SpatialNav 显著优于现有的零样本智能体，明显缩小了与领先学习方法的差距。这些结果突显了全局空间表征对通用导航重要性。