论文页面 - 超越记忆中的世界：面向演化世界中持久导航的预测性4D信念

来源：https://huggingface.co/papers/2609.39166

摘要

持久空间记忆使具身智能体能够在重复访问中导航熟悉环境。然而，目标可能在未被观测期间发生移动（包括导航过程中），导致智能体到达时记忆中的位置已不可靠。尽管记忆检索和状态预测已有进展，如何处理世界持续隐藏的演化、以及在有限可见性下修正信念仍然充满挑战。我们研究演化世界导航（Evolving-World Navigation）问题，其中智能体需从间歇性的观测中推断目标位置、预测其在检索时刻的状态，并利用视觉证据修正信念。我们提出EvolvingNav，它通过一个结构化的“持续-重定位“模型，从带时间戳的3D物体历史中构建时间索引的信念。该信念区分了目标“停留在最后观测位置“与“重定位到其他位置“两种情况，并在已知候选集之外保留概率质量。一个事件驱动的滤波器随时间推移传播当前信念，预测目标在候选检索时刻的占用情况，并融入新的RGB-D证据。负面观测会依据经过校准的、与可见性相关的检测概率对位置假设进行降权，同时证据跟踪机制防止重复使用相同观测。一个冻结的、零样本视觉-语言控制器利用更新后的信念来选择动作并重新规划。我们进一步提出了EvoWorld-Bench，一个基于人类活动轨迹构建的基准，包含54个场景和803,680个任务，其中在导航前和导航过程中都设有受控的变化。在仿真和真实机器人实验中，EvolvingNav相比所评估的基线方法提升了导航成功率和搜索效率。配对实验表明，在可学习的时间模式下增益最为显著，而消融实验则验证了保留不确定性以及纳入可见性感知证据的价值。

查看 arXiv 页面 (https://arxiv.org/abs/2609.39166)　查看 PDF (https://arxiv.org/pdf/2609.39166)　项目页面 (https://zju4embodiedai.github.io/EvolvingNav/)　GitHub 0 (https://github.com/ZJU4EmbodiedAI/EvolvingNav)　添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2609.39166)

在你的智能体中获取此论文：

hf papers read 2609.39166

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型 0

没有模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2609.39166，即可从此页面链接到该论文。

引用此论文的数据集 0

没有数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2609.39166，即可从此页面链接到该论文。

引用此论文的 Spaces 0

没有 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2609.39166，即可从此页面链接到该论文。

包含此论文的收藏 0

没有收藏包含此论文

将此论文添加到收藏 (https://huggingface.co/new-collection) 以从此页面链接到它。