EvoNav-Bench: Benchmarking Lifelong Navigation in Evolving Environments
本文介绍了 EvoNav-Bench，这是一个基于 ProcTHOR 框架构建的新基准，通过证明依赖持久场景表示的现有方法在环境变化面前是脆弱的，而简单的启发式策略能为适应此类动态提供一种更受控的方法，从而评估在演化环境中的终身导航智能体。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一个旨在协助家务的机器人，它的任务是在厨房寻找一个特定的杯子，然后在客厅找一本书，最后在卧室找一双鞋。为了让机器人在多天内高效地完成这些任务，它不能在每次接到新任务时都从头开始。它需要记住已经看到过的东西，构建一张房屋的心理地图，这样它就不会在已经探索过的房间里浪费时间徘徊。这种被称为“终身导航”（lifelong navigation）的概念，依赖于这样一个理念：智能体可以整合其过去的经验，从而更快地解决未来的问题。然而，这种方法假设了一个静止不变的世界。在真实的家中，环境很少是静态的；人们会移动家具、重新布置装饰品或将物品从一个地方挪到另一个地方。如果机器人记得沙发曾在客厅的角落，但人类已将其移到了房间中央，那么机器人的记忆就会从资产变成累赘。它可能会盲目遵循旧地图，导致混乱或失败，因为它无法区分可靠的记忆与改变后的现实。
研究人员长期以来一直在研究机器人的导航方式，但大多数现有的测试都假设世界在任务之间处于冻结状态。为了填补这一空白，一组科学家引入了一个新的测试场，名为 EvoNav-Bench。该基准测试模拟了一个在导航任务之间布局会发生细微变化的家居环境，迫使机器人决定是信任旧记忆还是重新观察。研究人员使用一个能够生成数千个包含家具和日常物品的逼真室内场景的框架构建了这个系统。在他们的设置中，机器人被派往同一个房子里的系列任务中。在任务之间，环境会被悄悄改变：书桌可能会被移到另一面墙上，椅子可能会被更换，或者一组物品可能会被重新排列。至关重要的是，机器人并不会被告知这些变化已经发生。它必须依靠自身的传感器来注意到房间看起来与记忆中的不同，然后相应地调整其行为。
这项研究对三种先进的导航系统在这一演变环境下的表现进行了测试。这些系统旨在为场景建立持久的表征，本质上是创建一个房屋的数字孪生体，并在移动过程中对其进行更新。研究人员发现，当环境发生变化时，这些复杂的系统经常会陷入困境。因为它们是基于世界是稳定的这一假设而构建的，所以它们倾向于将新的观察结果与过时的记忆融合在一起，从而创造出一个错误的心理图像，导致它们误入歧路。相比之下，研究人员测试了三种更简单的策略，以观察机器人如何处理这些变化。一种策略涉及在每个新任务开始时完全重置机器人的记忆，迫使它从头开始探索房间。另一种策略是在机器人卡住或找不到物体时才更新地图。第三种策略是一个折中方案，即只有当机器人检测到所见与所记之间存在直接冲突时，才会更新其房间地图。
结果揭示了利用过去与适应现在之间的一种微妙平衡。那些过度依赖积累记忆的系统在房屋保持不变时表现良好，但一旦物体被移动，其成功率就会显著下降。完全重置记忆的策略避免了过时地图带来的混乱，但由于浪费了探索未改变区域的时间，因此效率低下。最有效的方法是一种反应式方法：机器人会坚持使用其记忆，直到遇到具体的问题，例如到达一个物体本应在的位置却发现它缺失了，只有在这种情况下，它才会修正其地图。这种“先失败后更新”的方法让机器人既能从过去的经验中获益，又能保持足够的灵活性，以便在环境演变时纠正航向。
有趣的是，研究还强调，机器人的视觉质量往往比房间本身的变化更为关键。当机器人的传感器不够完美，难以正确识别物体时，其性能受到的影响比家具移动带来的影响更大。这表明，对于要在真实家庭中导航的机器人而言，提高它们观察和识别物体的方式，可能与教它们如何处理变化的布局同样重要。研究人员指出，虽然他们的模拟过程受控且详细，但并未捕捉到真实家庭中的所有复杂性，例如物品被完全插入或移除，或是人类与周围环境互动的微妙方式。尽管如此，这些发现为下一代家用机器人提供了清晰的路线图。它们表明，虽然记住过去对于提高效率至关重要，但识别记忆何时出错的能力，才是其在永不停歇变化的世界中生存的关键。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。