arXiv cs.CL· Pengying Wu, Zhejia Wen, Kang Ding, Kangjie Zhou, Chunxuan Jiao, Wei Pan, Xiangli Nie, Chang Liu·· 11 小时前AI 评分29
CovNav：用共形预测引导自适应推理的物体目标导航框架
CovNav: Conformal Prediction-Guided Adaptive Inference for Object Goal Navigation
AI 导读
CovNav 是一个免训练框架，用共形预测（CP）判断空间查询是否需要升级到慢速思维链推理，仅对模糊查询触发慢思考。在 HM3D v1 和 v2 上，其成功率分别比最强零样本基线高 0.8 和 1.7 个百分点，慢推理仅占 12.4% 的查询，并保留了大部分常开思考的收益。TurtleBot 4 真机实验进一步验证了该方法。
正文 · AI 翻译
摘要：在物体目标导航（ObjectNav）中，具身智能体必须在先前未见过的环境中找到目标物体（例如“找到一张床”），并依赖物体共现等空间常识。大型语言模型（LLM）编码了这种常识，但将其部署在机器人上会带来推理质量与效率之间的权衡：云端模型存在延迟和隐私风险，而设备端的小型 LLM 速度快，却容易产生幻觉性的空间判断。混合推理 LLM 同时提供快速的非思考模式和缓慢的思考模式，这为具身智能体提出了一个关键问题：慢思考何时值得其成本？我们提出 CovNav，一个无需训练的框架，用共形预测（CP）回答这个问题，将双过程（系统 1 / 系统 2）推理转化为不确定性感知的决策。与 Jev 等近期决策模型类似，CovNav 将每个空间查询转化为结构化的二元决策，而非自由形式生成：快速模式下的本地 LLM 判断目标是否可能位于某个已观测物体附近，CP 将其 token 概率转换为预测集，只有模糊的查询才升级到慢速思维链推理。物体对公式使校准保持可处理，并通过现成检测器支持开放集物体。在 Gibson 和 HM3D 上的实验表明，CovNav 在 HM3D v1 和 v2 上的成功率分别比最强的零样本基线高 0.8 和 1.7 个百分点，同时仅对 12.4% 的查询调用慢速推理，并以一小部分延迟保留了始终开启思考的大部分增益。在 TurtleBot 4 上的真实机器人实验进一步验证了该方法。CovNav 展示了校准不确定性如何决定具身智能体何时应慢思考，为基于 LLM 的机器人提供了一种有原则的自适应测试时推理形式。
| 评论： | 13 页，6 幅图，7 张表 |
| 主题： | 机器人学（cs.RO）；人工智能（cs.AI）；计算与语言（cs.CL）；计算机视觉与模式识别（cs.CV） |
| 引用为： | arXiv:2610.27677 [cs.RO] |
| （或 arXiv:2610.27677v1 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.27677 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Pengying Wu [查看电子邮件]
[v1]
2026 年 10 月 20 日星期二 05:47:26 UTC（3,102 KB）
来源：arXiv cs.CL · arxiv.org