论文页面 - NavHarness：迈向终身具身导航

Source: https://huggingface.co/papers/2609.34276

摘要

前沿模型如今通过结合简单工具的多轮多模态推理，已经在单个具身导航任务上表现出色。然而，在连续的任务中，智能体还必须依赖不断演变的地图和早期的搜索记录，而这两者都可能是不完整的，或与新观察相矛盾。我们提出 NavHarness，一个面向终身导航的免训练具身框架，它将记忆处理纳入导航循环之中。在导航过程中，其多轮智能体会话会调用地图、任务记录和房屋知识，并将它们与观察结果进行核对，记录修正信息以引导后续行动。NavHarness 将这些经验保留下来，供新任务或恢复尝试开启新对话时使用，而结果验证与运行结束时的总结则支撑着经验的后续复用。在 GOAT-Bench 上，与仅依赖上下文的独立会话相比，NavHarness 使 s-SR 在 Astra 上提升了 18.6 个百分点，在 Opus 5 上提升了 22.6 个百分点。使用 SLAM 估计的位姿，NavHarness 搭配 GPT-6 Astra 在 GOAT-Bench 上取得了 83.7 的 s-SR 与 36.9 的 e-SR 的最佳任务成功率，并在 IR2R-CE 上达到 85.9 的 s-SR。为了理解这些增益的来源，我们考察了经验如何在会话之间传递，发现结构化的恢复交接优于长度相当的摘要。在跨多栋房屋的长期部署中，知识巩固对导航的改进超越了仅保留地图和任务记录的做法，案例研究展示了智能体如何利用早期经验来解读新目标、探查未解决的问题，以及重新继续失败的搜索。我们认为，终身导航的进展取决于后续推理会话如何在先前经验的基础上展开，而不仅仅取决于单任务能力的提升。

查看 arXiv 页面 (https://arxiv.org/abs/2609.34276)｜查看 PDF (https://arxiv.org/pdf/2609.34276)｜项目页面 (https://billzhao1030.github.io/NavHarness/)｜GitHub6 (https://github.com/billzhao1030/NavHarness)｜添加到合集 (https://huggingface.co/login?next=%2Fpapers%2F2609.34276)

引用本文的模型：0

没有模型与本文关联。

在模型的 README.md 中引用 arxiv.org/abs/2609.34276，即可从本页链接到该论文。

引用本文的数据集：0

没有数据集与本文关联。

在数据集的 README.md 中引用 arxiv.org/abs/2609.34276，即可从本页链接到该论文。

引用本文的 Spaces：0

没有 Space 与本文关联。

在 Space 的 README.md 中引用 arxiv.org/abs/2609.34276，即可从本页链接到该论文。

收录本文的合集：0

没有合集收录本文。

将本文添加到合集 (https://huggingface.co/new-collection) 即可从本页链接到该论文。