SSR-ZSON：基于分层探索框架内空间-语义关系的零样本目标导航
机器人学
2025-09-30 v1
摘要
未知环境中的零样本目标导航提出了重大挑战，主要由于两个关键限制：语义指导不足导致探索效率低下，而环境结构导致的空间记忆有限则引起局部区域困陷。为了解决这些问题，我们提出了SSR-ZSON，一种基于TARE分层探索框架的空间-语义相对零样本目标导航方法，集成了平衡空间覆盖与语义密度的视点生成策略以及基于LLM的全局指导机制。该方法的性能提升归功于两项关键创新。首先，视点生成策略优先考虑可遍历子区域内的高语义密度区域，以最大化空间覆盖并最小化无效探索。其次，结合基于LLM的全局指导机制，它评估语义关联以将导航引向高价值空间，防止局部困陷并确保高效探索。SSR-ZSON部署在混合Habitat-Gazebo仿真和物理平台上，实现了实时操作和卓越性能。在Matterport3D和Habitat-Matterport3D数据集上，与最先进的方法相比，它分别将成功率(SR)提高了18.5%和11.2%，将路径长度加权成功率(SPL)提高了0.181和0.140。
引用
@article{arxiv.2509.24763,
title = {SSR-ZSON: Zero-Shot Object Navigation via Spatial-Semantic Relations within a Hierarchical Exploration Framework},
author = {Xiangyi Meng and Delun Li and Zihao Mao and Yi Yang and Wenjie Song},
journal= {arXiv preprint arXiv:2509.24763},
year = {2025}
}