持续3D语义记忆用于导航，将如何在未来两年内改变多楼层物体导航？

变化何在：从遗忘每一层，到记住整栋楼

以往的目标导航任务通常假设在单一楼层进行，并且每次查询新物体时都要从头重建地图。这意味着机器人在寻找杯子后再找书本时，会重复探索相同的房间，浪费时间和能量。新方法采用持久化的三维语义记忆：机器人在移动过程中维护一张共享的三维体素地图，持续累积几何结构、可通行性以及视觉-语言特征[1]。当新的物体目标出现时，机器人直接查询这段记忆，而非重新开始，因此它能直接前往之前见过的位置，或明确知道还有哪些区域需要探索。

来自LifelongCrossNav的证据表明，这种方法在实践中是有效的：在针对顺序多楼层多目标导航的新基准测试（HM3D-MFMON）中，持久化3D记忆系统始终优于平面持久化地图基线[1]。关键在于，这种记忆是3D的，并且在子任务之间共享，因此机器人可以在整个任务过程中复用关于楼梯、房间和物体位置的信息。这标志着从“探索即遗忘”到“探索即记忆”的根本性转变。

难点所在：楼梯、电梯与纵向推理

多层导航不仅仅是记忆问题——它关乎如何在不同楼层之间移动。旧系统要么忽略楼梯，要么依赖预先构建的地图。新框架则明确建模楼梯和楼层转换。LifelongCrossNav结合了支持感知的3D可通行性映射、楼梯专用感知以及方向感知的楼梯通行[1]。类似地，ASCENT框架构建了带有楼梯感知障碍物映射和跨楼层拓扑的分层表示，从而无需预建地图即可实现在线、楼层感知的导航[5]。这些系统将楼梯视为头等导航要素，而非障碍物。

回报是可量化的：ASCENT在HM3D和MP3D基准测试中超越了最先进的零样本方法[5]，而多楼层导航策略（MFNP）在成功率和探索效率上均优于现有零样本方法[3]。在四足机器人上的真实世界测试证实，这些策略能够在完全未见过的多楼层建筑中找到目标物体[3]。因此，在未来两年内，机器人将把楼梯和楼层转换视为常规操作，而非特殊情况。

这对未来两年真实机器人意味着什么

实际影响在于，服务机器人和配送机器人在真实建筑——如办公室、医院、住宅——中将变得更加实用，因为多层布局在这些场所是常态。这类系统无需预先构建地图，也无需针对每个新物体类别重新训练，而是能够在线运行并实现零样本学习，这意味着它们可以在没有先验数据的情况下处理新物体和新建筑[5]。此外，该记忆机制通过存储视觉-语言特征，支持多模态查询（例如，“找到红色马克杯”或“去厨房”）[1][4]。

然而，仍有一些需要注意的地方。大多数结果来自模拟基准测试（HM3D、MP3D），而现实世界中的测试仅限于少数四足机器人[3][5]。专注于消防员导航的BUG-FIRE研究发现，与0.5米能见度相比，30米的视觉半径将路径长度缩短了28.2%，这表明感知范围仍然至关重要[2]。此外，楼层平面图先验信息也能提供帮助，正如FloVerse所展示的，使用楼层平面图可以改善所有目标类型的导航效果[6]。因此，尽管未来两年将出现更强大的多楼层导航能力，但在大规模部署之前，感知能力和鲁棒性仍将持续改进。

关于这些来源

本回答基于6项研究（4项经同行评审，2项为预印本），发表于2025年至2026年间，其中6项为2024年或之后发表，2项发表于Q1–Q2期刊。这些研究是从7项通过质量筛选的研究中选出的最相关者，而这7项研究又源自从超过5亿篇论文数据库中检索到的23篇文献。

本文引用的文献

相关研究问题