本文提出了一种学习环境中空间和语义规律的简单方法，通过从不完整的语义地图中预测未观测对象的位置来实现。该方法可以轻松地使用少量数据进行监督式训练，并可以在没有强化学习的情况下，将模型融入到 ObjectNav 的模块化流程中，该模型在 HM3D 和 MP3D ObjectNav 数据集上取得了最佳成果。

Dec, 2022

我们提出了一种优先语义学习（PSL）方法，通过引入语义增强的 PSL 代理和优先语义训练策略来提高导航代理的语义理解能力，并设计了语义扩展推理方案以保持与训练相同的目标语义粒度级别。此外，针对流行的 HM3D 环境，我们提出了一个实例导航（InstanceNav）任务，需要根据详细描述前往特定的对象实例，与仅通过目标类别定义目标的对象导航（ObjectNav）任务不同。我们的 PSL 代理在零样本 ObjectNav 的成功率上超过了先前的最优结果 66％，并且在新的 InstanceNav 任务上也表现优越。代码将在此 https 网址上发布：science/r/PSL/。

Mar, 2024

本文提出了一种基于二个子策略的框架，即 角落导向探索策略 和 类别感知识别策略，用于提高基于 3D 场景表示的目标导航能力，从而大大改善 ObjectNav 的性能，并在 Matterport3D 和 Gibson 数据集上实现最佳表现，同时训练时的计算成本较其他模块化方法降低了 (高达 30 倍)。

Dec, 2022

本研究针对三维室内环境目标物体导航，提出了一种基于强化学习方法的 Object Memory Transformer (OMT). 通过本方法在 AI2-THOR 数据集上的实验结果表明，OMT 能够优于以往方法，高效地导航以及实现目标。

Mar, 2022

为了推进自主机器人领域，特别是在未开发环境中进行物体搜索任务，我们引入了一个以概率物体位置（POLo）得分为中心的新框架。利用 3D 物体概率图，POLo 得分使得代理能够基于数据做出高效的物体搜索决策。我们通过引入 POLoNet，一个通过训练来近似计算密集的 POLo 得分的神经网络，进一步提高了框架的实用性。我们的方法解决了端到端强化学习方法和传统基于地图的方法的关键限制，这些方法在长期任务中容易遗忘记忆和忽略可见性约束。我们的实验涉及 OVMM 2023 挑战的第一阶段，结果表明配备 POLoNet 的代理明显优于一系列基准方法，包括端到端强化学习技术和以前的地图 - based 策略。为了提供全面的评估，我们引入了新的性能指标，可以洞察各种代理在物体目标导航中的效率和效果。

Nov, 2023

该研究提出了一种基于记忆增强的注意力机制模型，利用序列记忆学习图像目标导航，模型表现优异，创造了新的最优结果。与相关工作不同的是，仅使用 RGB 图像输入，无需姿态 / 深度传感器等额外信息。

Jan, 2021

研究重新访问 Object-Goal Navigation (ObjectNav) 问题，对任务进行了定义，提出了对评估标准、Agent 的具体参数、以及任务环境等细节的建议，并提供了在 Embodied AI workshop at CVPR 2020 上的具体实例。

Jun, 2020

本文介绍了一种基于视觉位移估计和任务特定导航策略的点目标导航代理，该代理可适应嘈杂的传感器和动作动态，并在 CVPR 2020 Habitat Challenge 的 PointNav 跟踪中获得亚军。

Sep, 2020

MemoNav 是一种新型的内存模型，利用工作内存类似的流水线来提高图像目标导航的性能，通过三种类型的导航内存以及场景特征的学习和利用，使得代理能够学习并利用与目标相关的场景特征在拓扑图中进行高效导航，实验证明 MemoNav 在吉布森和 Matterport3D 场景的多目标任务中显著优于先前的方法，定性结果进一步说明 MemoNav 规划更高效的路径。

Feb, 2024

本论文通过使用自监督的辅助任务（例如，预测两个自我中心观察之间采取的动作，预测轨迹中两个观察之间的距离等），并使用注意力机制组合个任务得到的表示向量，成功地提高了 PointNav 任务的样本和时间效率，超过了以前的最新研究成果，并在 40M 帧时将 DD-PPO 的性能提升了 0.16SPL。

Jul, 2020