摘要
在三维具身环境中，从任意位置像人类一样根据语言指令导航至目标，是智能机器人领域的一项“圣杯”级目标。然而，目前大多数视觉导航基准测试都聚焦于从固定起点出发，依据详尽的分步指令完成导航任务。这种设定与现实场景存在显著差异：在真实世界中，人类通常仅通过描述目标物体及其周围环境的外观特征，便要求机器人从任意位置启动导航。针对这一问题，本文提出了一个面向场景的物体导航任务（Scenario Oriented Object Navigation, SOON）。在该任务中，智能体需在三维具身环境中从任意起始位置出发，依据场景描述定位目标物体。为有效应对该任务，我们提出了一种新型基于图的探索方法（Graph-based Exploration, GBE），该方法将导航状态建模为图结构，并引入一种新颖的图结构探索机制，通过从图中学习知识，同时利用次优轨迹进行训练以提升训练稳定性。此外，我们构建了一个全新的大规模基准数据集——“从任意位置到目标”（From Anywhere to Object, FAO），用于评估该任务。为避免目标歧义，FAO中的描述包含丰富的语义场景信息，涵盖物体属性、物体间关系、区域描述以及邻近区域描述等多个维度。实验结果表明，所提出的GBE方法在FAO和R2R两个数据集上均显著优于多种现有先进方法。同时，基于FAO的消融实验进一步验证了该数据集在质量与有效性方面的优越性。