什么在 RL 基于的方法中对对象-目标导航至关重要？——来自实证研究与统一框架
机器人学
2025-10-03 v1
摘要
对象-目标导航（ObjectNav）是实现在日常、不可控环境（如家中、学校和工作场所）中部署移动机器人的关键环节。 在此背景下，机器人必须仅依靠 onboard 感知，在之前未见过的环境中定位目标对象。 成功的关键在于语义理解、空间推理和长程规划的融合，而这一组合始终极具挑战性。 尽管强化学习（RL）已成为主导范式，但进展涉及广泛的设计选择，而领域仍缺乏统一分析以确定哪些组件真正驱动性能。 本文我们对模块化 RL 基于的对象-目标导航系统进行大规模实证研究，将其分解为三个关键组件：感知、策略和测试时增强。 通过大量受控实验，我们隔离了每个组件的贡献，并发现清晰的趋势：感知质量和测试时策略是性能决定性因素，而当前方法的策略改进仅产生边际收益。 基于这些见解，我们提出实用设计指南，并演示一个增强的模块化系统，在 SPL 上超越了最先进（SotA）方法 6.6%，成功率提升 2.7%。 我们还在相同条件下引入人类基准，其中专家平均达到 98% 的成功率，凸显了 RL 智能体与人类水平导航之间的差距。 本研究不仅设定了 SotA 水平，还为未来对象-目标导航的开发和评估提供了原则性指导。
引用
@article{arxiv.2510.01830,
title = {What Matters in RL-Based Methods for Object-Goal Navigation? An Empirical Study and A Unified Framework},
author = {Hongze Wang and Boyang Sun and Jiaxu Xing and Fan Yang and Marco Hutter and Dhruv Shah and Davide Scaramuzza and Marc Pollefeys},
journal= {arXiv preprint arXiv:2510.01830},
year = {2025}
}