技术摘要：AnyGoal

问题陈述

在大型仿真语料库上训练的端到端导航策略，在面对未见场景、目标类别或目标模态时，会出现严重的性能退化。现有的零样本（zero-shot）替代方案面临着截然不同但同样受限的约束：

• 模块化流水线（例如 Modular GOAT）： 这些系统依赖于闭集目标检测器（如 DETIC），这产生了一个瓶颈，即性能受限于检测器对分布外（OOD）类别的召回率。
• 3D 快照记忆系统（例如 3D-Mem）： 这些系统通过视觉语言模型（VLM）查询，累积密集的、依赖视角的 3D 表示。虽然它们恢复了开集召回率，但却带来了沉重的内存/计算开销，并且在结构上仍局限于单智能体操作。

本文认为，既不需要极端的一端，也不需要另一端。挑战在于如何将空间推理（通常委托给脆弱的检测器）和语义推理（通常委托给逐快照的 VLM 调用）统一到一个轻量级、持久化的结构中，以支持无需训练的终身、多模态导航。

方法论：AnyGoal 架构

AnyGoal 是一种完全去中心化、无需训练的多机器人架构，旨在实现多模态终身导航。它在没有中央控制器或显式智能体间通信的情况下运行，而是依赖于一个共享的 2D 地图。该系统由四个可更换的层组成：

1. 感知 (Perception)

智能体利用开集分割骨干网络（默认为 SAM3，并对 GroundedSAM 和 YOLO-World 进行了消融实验）来生成目标条件掩码（goal-conditioned masks）。空间 VLM (SpaceOM-3B) 提供相关性评分，而图像匹配器 (CLIP ViT-B/32) 则处理基于图像的目标。

2. 制图：高斯贝叶斯价值图 (Gaussian Bayesian Value Map, BVM)

其核心创新是 2D 高斯贝叶斯价值图。与二值占据网格或 Beta-Bernoulli 启发式方法不同，BVM 维护着关于目标相关性的逐像素后验信念 $(\mu, \sigma^2)$。

• 更新机制： 检测结果通过“深度锥掩码（depth-cone mask）”通过深度进行反向投影。地图通过高斯精度的加权融合进行更新。高置信度的深度投影会主导先验，而低置信度的观测则会衰减而非强化误差。
• 终身累积： 地图在子任务之间永不重置。当目标标记（token）改变时，VLM 评分头会更新，但累积的几何和语义证据得以保留，从而允许证据在每个回合中的 5–10 个异构子任务之间传递。
• 多智能体融合： 集群的后验分布是通过各智能体在共享鸟瞰图（BEV）网格上的局部信念进行逐元素精度加权融合而形成的。

3. 推理：凸组合 VLM-as-Judge 与 UCB

前沿（Frontiers，即探索区域的边界）通过融合空间几何与 VLM 常识进行排序：

• VLM-as-Judge： 最多可以将四个候选前沿作为标记（A/B/C/D）渲染在自我中心视图中。VLM 返回一个 Softmax 概率 $p_{VLM}$ 以及一个显式的“是否值得”门控（是/否），用以否决在结构上不合理的候选对象（例如，出现在浴室里的冰箱）。
• 贝叶斯 UCB： 每个前沿继承 BVM 统计量以计算上置信界（Upper-Confidence-Bound）得分：$UCB(f) = \mu(f) + \beta\sqrt{\sigma^2(f)}$。这平衡了开发（高相关性）与探索（高不确定性）。
• 评分： 最终得分为凸组合：$s(f) = (1-w)p_{VLM}(f) + w \cdot \widehat{UCB}(f)$，其中 $w=0.50$。这处理了 VLM 作为具有噪声的合理性预言者，以及 BVM 作为低噪声覆盖率预言者的关系。

4. 去中心化协作

智能体通过在共享 BVM 上进行顺序贪婪竞标来分配前沿：

• 分离惩罚： 为了防止智能体聚集在同一个前沿，如果所选前沿之间的距离 $<100$ 像素，则应用乘法惩罚（$0.6\times$）。
• 承诺滞后（Commitment Hysteresis）： 只有当新前沿的得分比当前前沿高出 $1.5\times$ 时，智能体才会切换目标，以防止震荡。
• 无中央控制器： 协作仅通过共享地图和局部贪婪决策涌现。

核心贡献

1. 高斯贝叶斯价值图： 用逐像素目标相关性信念的精度加权高斯更新，取代了二值启发式方法，实现了终身证据累积和自然的幻觉衰减。
2. 凸组合评分： 将 VLM-as-judge 的 Softmax 与贝叶斯 UCB 项集成，在恢复遍历探索保证的同时，允许 VLM 在偏好明确时占据主导地位。
3. 去中心化集群协作： 在没有显式消息传递或中央调度的情况下，仅通过共享地图和空间分离惩罚实现了多智能体协作。
4. 感知瓶颈的科学表征： 通过四向感知消融实验，本文证明了随着检测器召回率的提高，零样本导航的主要失效模式从“探索失败”（耗尽步数）转向了“验证失败”（过早停止）。

实验结果

在 GOAT-BENCH val unseen 分割集（360 个回合，2,669 个子任务）下，在严格的物理机制（离散 0.25m 步长，42° HFOV，无传送）下进行评估：

• 达到 SOTA 性能： 双智能体（$N=2$）AnyGoal 系统实现了 52.4% 的子任务成功率 (SR) 和 12.7% 的 SPL。
  • 这比 Modular GOAT 基准（24.9%）提升了 27.5 个百分点。
  • 它比最强的先前单智能体零样本系统（TANGO）高出 20.3 pp。
• 架构对比数量的增益： 单智能体配置（$N=1$）本身即可达到 41.9% 的子任务 SR，这证明性能增益主要源于决策架构（BVM、UCB 组合、验证门），而非单纯的智能体数量。
• 扩展性： 增加到 $N=3$ 个智能体可带来进一步的 +3.2 pp 增益（55.6% SR），显示出随着前沿供应饱和，收益递减。
• 感知消融：
  • 高召回率检测器（SAM3）导致 80.2% 的错误停止（过早验证失败）。
  • 低召回率检测器（YOLO-World）导致 42.3% 的预算耗尽（未能找到候选目标）。
  • 这证实了对于高召回率开集系统，瓶颈已转向停止决策时的目标验证。

意义与主张

本文声称 AnyGoal 在严格物理机制下建立了零样本、无需训练导航的新基准。其主要意义在于证明了：

1. 统一推理： 空间推理和语义推理可以在一个轻量级的 2D 结构中统一，而无需 3D 快照数据库的高昂开销或闭集检测器的脆弱性。
2. 去中心化是可行的： 有效的多智能体协作可以在没有中央控制器或显式通信通道的情况下实现，仅依赖于共享的不确定性感知地图。
3. 重新定义瓶颈： 本研究重新审视了零样本导航这一开放性问题。对于具有高召回率检测器的系统，挑战不再是“寻找更好的检测器”来发现目标，而是如何在停止决策时刻正确地“验证目标”，以避免过早终止。

作者指出了局限性，包括无法在透明物体上锚定投影、依赖一致的 BEV 对齐（在实际部署中需要真值或 SLAM），以及由于计算限制使用单次运行评估。未来的工作拟通过 VLM 引导的先验或策略蒸馏来解决路径效率（SPL）问题。