EviNav: Evidence-Driven Grounding and Validated Termination for Zero-Shot Instance Navigation
EviNav 是一个无需训练、由证据驱动的零样本实例导航框架，它通过累积多视图视觉和语义证据来稳健地辨别目标并确定终止条件，在图像目标和文本目标导航任务中均实现了最先进的成功率。
原始论文采用 CC BY 4.0 许可（https://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
想象一个机器人被派往一个从未见过的房间，任务是寻找一个特定的物体。挑战不仅在于找到“一把”椅子或“一张”桌子，而是要定位出符合特定描述或与人类提供的单张照片完全匹配的那一个特定椅子或桌子。这就是实例导航（instance navigation）的核心。与那些只需要寻找某种类型物体的简单任务不同，这要求机器能够区分近乎相同的物品，在障碍物中穿行，并决定何时才算真正找到了目标。难点在于机器人不能仅仅靠猜测；它必须收集足够的视觉证据来确保万无一失，同时还要在完成任务前严格控制其步数限制。如果停得太早，它可能会选错物体；如果搜寻太久，它就会耗尽步数而失败。
萨塞克斯大学的研究人员开发了一种名为 EviNav 的新系统来解决这个问题，而无需预先针对特定房间或物体对机器人进行训练。该系统并非通过成千上万个示例进行学习，而是利用一套逻辑规则和强大的现有人工智能工具，对所见之物进行实时推理。该系统通过在移动过程中构建环境的精神地图来工作，追踪潜在目标，并不断自问：“这是正确的物体吗？我有足够的证据停止了吗？”研究人员在数千个模拟场景以及在真实办公室和实验室的实体机器人上测试了这种方法，发现它通过更加谨慎地收集证据并决定何时结束，显著优于以往的方法。
该系统的核心在于采用一种累积证据而非草率判断的方法。当机器人收到文本描述，例如“一个带有黄色座圈的白色马桶”时，它不会在看到第一个白色马桶时就停下。相反，它将每个候选物体视为一个需要验证的假设。机器人会绕着物体从不同角度移动，拍摄来自不同视角的照片。然后，它使用一种能够理解图像和文本的视觉语言模型（一种结合了图像与文本理解的人工智能）来检查该物体是否符合描述。至关重要的是，该系统理解从完全相同的位置拍摄多张照片并不能提供新信息。它只计算从不同位置收集到的证据。如果机器人不确定，它会主动移动到新的角度以获得更好的观察视角，而不是仅仅重复同一个问题。这个过程会一直持续，直到累积的证据足以确认物体的身份，或者直到机器人被迫继续移动为止。
对于以照片为目标的任务，该系统采用了另一种同样严谨的方法。一张物体的照片意味着了拍摄该照片时的特定相机位置和角度。研究人员发现，仅仅向照片中的物体移动通常是不够的，因为机器人可能会停在墙后，或者处于物体被遮挡的位置。因此，EviNav 会分析参考照片中的特征与实时视频流，以精确计算出原始相机原本应当处于的位置。然后，它会导航到该特定位置，并调整自身的相机以匹配原始角度，然后再检查该物体是否确实是目标。这确保了机器人能以与参考图像相同的语境观察物体，从而避免因相似的家具或建筑细节而导致的误判。
这项工作的一项重大创新在于系统如何管理其有限的时间。机器人是在严格的步数预算下运行的；它不能无休止地徘徊。系统会记录目前发现的最佳候选目标，并保留足够的步数，以便在找不到更好目标时返回该候选目标处。这种“回退”（fallback）机制防止了机器人因搜寻过久而迷失方向。如果机器人在探索过程中消耗了太多步数且未能确认目标，它会自动返回到之前访问过的最有希望的地点，从而确保在时间耗尽前至少有机会停在一个极具可能性的目标点。研究人员还实现了一种过滤机制，用于剔除那些看起来像地板但实际上是高处表面（如桌子或床）的区域，确保机器人仅在可通行的地面上规划路径。
实验结果非常显著。在涉及图像目标和文本目标的各一千个不同情节的模拟测试中，该系统在图像目标任务中的成功率达到了 84.1%，在文本目标任务中达到了 55.0%。这些数字代表了对以往方法的显著改进，因为以往的方法往往会在假阳性问题上挣扎，或者耗尽步数。该系统也在配备立体相机的真实机器人上进行了测试，在办公室和实验室环境中运行。在这些物理实验中，机器人成功完成了 24 次尝试中的 20 次，成功应对了现实世界的杂乱环境、传感器噪声以及作为参考使用的未经校准的智能手机照片。研究人员指出，该系统在实现如此高成功率的同时，比其他领先方法使用了更少的计算能力，也更少地请求外部人工智能服务。
这项研究明确排除了“仅仅靠近物体或匹配其表面特征就足以成功”的观点。在测试中，那些直接导航至匹配物体表面而未验证相机角度或未从多个视角收集证据的方法，失败率明显更高。研究人员还证明，依赖单一视角进行决策会导致错误，因为从同一位置进行的重复检查可能会强化一个错误的结论。相比之下，该系统对不同视角的强制要求，以及其恢复原始相机位置的能力，被证明是其成功的核心驱动力。这项工作表明，为了让机器人在复杂的未知环境中可靠地导航，必须将其设计为将“停止”视为一个刻意的验证过程，即在做出最终决定之前，从不同的视角收集独立的证据。
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。