CLOSER：面向具身目标导航的证据感知主动视觉验证
论文提出 CLOSER 框架，将目标物体导航中的停止决策建模为闭环证据获取：微调开源视觉语言模型，对跨帧跟踪候选的每个视角标注为目标、非目标或不确定，用基于嵌入的多样性门选择互补视角，再由轻量网络融合各视角概率；若融合后仍不确定，则用扩散策略仅依据跟踪掩码和深度驱动智能体靠近候选，直至判断明确。该框架本地运行，可直接接入现有 ObjectNav 系统而无需重新训练。在 Gibson 和 Habitat-Matterport 3D 上，平均成功率提升 3.6 个百分点，路径长度加权成功率提升 2.0 个百分点。
发布于 10-22 10:56来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《CLOSER: Evidence-Aware Active Visual Verification for Embodied Object-Goal Navigation》查看原链
arXiv:2610.28476v1 公告类型：交叉。 摘要：目标物体导航（ObjectNav）要求具身智能体在未见环境中找到指定类别的实例并停在其附近。 智能体通常依赖物体检测器，但必须仅凭有限的自我中心视频流（有时仅单帧）在线判断检测到的候选是否为目标。
检测器常自信地将相似物体混淆，例如把沙发误判为床，停在误报处会导致任务失败。 现有系统还贪心地接近候选，导致其被遮挡或仅被部分观测。 我们提出 CLOSER，一个证据感知的主动验证框架，将停止视为闭环证据获取，把视觉语言模型（VLM）验证与主动感知耦合。
CLOSER 微调一个开源 VLM，将跨帧跟踪的候选的每个视角标注为目标、非目标或不确定，用基于嵌入的多样性门选择互补视角，并用轻量网络融合各视角概率。 若融合判断仍不确定，扩散策略仅利用跟踪掩码和深度驱动智能体靠近候选，直到决策变得明确。
CLOSER 本地运行，可插入现有 ObjectNav 系统而无需重新训练。 在 Gibson 和 Habitat-Matterport 3D 上，它将平均成功率提高 3.6 个百分点，路径长度加权成功率提高 2.0 个百分点，表明在承诺前验证证据可改善具身导航。