论文页面 - Embodied-Navigator：指向、思考、记忆与对齐的高效导航框架

来源：https://huggingface.co/papers/2608.17512
作者：

,

,

,

,

,

,

,

,

,

,

摘要

TAMP-Nav 通过基于二维视觉提示的视觉语言模型对齐、结合压缩记忆的选择性推理以及密集策略优化，提升了具身导航的性能。

尽管大型视觉语言模型（https://huggingface.co/papers?q=Large%20Vision-Language%20Models）（VLMs）显著推动了具身导航的发展，但其直接部署仍面临挑战：现有方法常迫使 VLMs 适配与其二维预训练先验不匹配的非自然动作空间，加之僵化的推理调度与低效的记忆管理。为克服这些局限，我们提出 TAMP-Nav——一个高效的统一具身导航框架。首先，我们引入像素到三维动作形式化（https://huggingface.co/papers?q=Pixel-to-3D%20Action%20Formulation）（Point），将导航任务重构为二维视觉提示（https://huggingface.co/papers?q=2D%20visual%20prompting）形式。具体而言，VLM 仅需选择二维像素点，随后将其投影为三维坐标交由底层 SLAM 控制器（https://huggingface.co/papers?q=SLAM%20controller）执行。该设计自然将具身操作与 VLM 固有的二维视觉能力对齐。其次，我们提出集成选择性推理与锚轨迹记忆（https://huggingface.co/papers?q=Anchor-Trajectory%20Memory）机制（Think and Memorize），该机制在关键节点动态触发链式思维推理（https://huggingface.co/papers?q=Chain-of-Thought）并仅保留高保真记忆，同时将冗余轨迹压缩为轻量级时空指示符（https://huggingface.co/papers?q=Space-Time%20Indicators），从而在保持关键历史信息的同时增强时空感知能力。最后，我们设计了一种高效的两级对齐范式（Align），通过群组相对策略优化（https://huggingface.co/papers?q=Group%20Relative%20Policy%20Optimization）（GRPO）实现。通过叠加全局结果奖励（https://huggingface.co/papers?q=global%20outcome%20rewards）与细粒度过程奖励（https://huggingface.co/papers?q=process%20rewards），这种密集监督将智能体的认知规划与物理环境反馈紧密对齐，赋予模型自适应推理能力。实验表明，TAMP-Nav 以极高的运行时与样本效率（仅需 9 万条训练轨迹）取得了业界领先的性能（例如在 R2R-CE 基准上达到 66.2% SR）。

查看 arXiv 页面 (https://arxiv.org/abs/2608.17512)
查看 PDF (https://arxiv.org/pdf/2608.17512)
项目页面 (https://zju-omniai.github.io/Embodied-Navigator/)
GitHub (https://github.com/ZJU-OmniAI/Embodied-Omni)
添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2608.17512)

在智能体中获取本文：

hf papers read 2608.17512

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

引用本文的模型

0

暂无模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2608.17512 即可从本页建立链接。

引用本文的数据集

0

暂无数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2608.17512 即可从本页建立链接。

引用本文的空间

0

暂无空间链接此论文

在空间 README.md 中引用 arxiv.org/abs/2608.17512 即可从本页建立链接。

包含本文的收藏

1