基于语义骨架记忆图的 SSMG-Nav：提升终身目标导航能力
机器人学
2026-03-03 v1
摘要
从人类指令导航至不在视野内的目标并在陌生环境中定位，是服务机器人的核心能力。尽管已取得显著进展，但大多数方法未充分利用可重用且持久的记忆，这限制了在终身设置下的性能。此外，许多方法仅限于单一模态输入，采用仔慕的贪心策略，常导致低效的来回机动（BFM）。为此，我们引入 SSMG-Nav，一个基于\emph{语义骨架记忆图}（Semantic Skeleton Memory Graph，SSMG）构建的目标导航框架。SSMG 将过去的观察结果整合为空间对齐且以拓扑关键点（如交叉口、房间中心）锚定的持久记忆。SSMG 将相邻实体聚类为子图，统一实体级和空间级语义，形成一组紧凑的候选目标集合。为支持多模态目标（图像、物体和文本），我们集成了视觉语言模型（VLM）。对于每个子图，来自记忆的多模态提示指导 VLM 对目标信念进行推断。随后，长程规划器在该信念与可遍历成本之间进行权衡，生成访问序列，以最小化预期路径长度，从而减少回溯。 在具有挑战性的终身基准和标准 ObjectNav 基准上的大量实验表明，与强基准相比，我们的方法在成功率和路径效率方面取得更好的表现，验证了 SSMG-Nav 的有效性。
引用
@article{arxiv.2603.01813,
title = {SSMG-Nav: Enhancing Lifelong Object Navigation with Semantic Skeleton Memory Graph},
author = {Haochen Niu and Lantao Zhang and Xingwu Ji and Rendong Ying and Peilin Liu and Fei Wen},
journal= {arXiv preprint arXiv:2603.01813},
year = {2026}
}
备注
Accepted by 2026 ICRA