arXiv cs.AI· Mingjian Gao, Zhaocheng Li, Haoyang Huang, Wenqiao Zhang, Yingjie Niu, Hao Zhou, Chao Li, Juncheng Li, Siliang Tang, Yueting Zhuang·· 9 天前AI 评分34
EvolvingNav：面向演化世界持续导航的预测式 4D 信念
Beyond the Remembered World: Predictive 4D Belief for Persistent Navigation in Evolving Worlds
AI 导读
针对目标在未被观察时可能移动、导致记忆位置失效的问题，研究者提出 EvolvingNav，通过时间索引的 3D 物体历史构建持久-迁移结构化信念，并用事件驱动滤波器在时间推移中传播信念、预测检查时刻的目标占据情况并融合新的 RGB-D 证据。
正文 · AI 翻译
摘要：持久空间记忆使具身智能体能够在多次访问中导航熟悉的环境。然而，目标可能在未被观察时移动，包括在导航过程中，这使得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取得了进展，但考虑隐藏世界持续演化并在有限可见性下修正信念仍然具有挑战性。我们研究演化世界导航，其中智能体从间歇性观察中推断目标位置，在检查时预测其状态，并利用视觉证据修正信念。我们提出 EvolvingNav，它通过结构化的持续-迁移模型，从带时间戳的 3D 物体历史构建时间索引信念。该信念区分在最后观察位置的持续与迁移到其他位置，并在已知候选集之外保留概率质量。事件驱动滤波器随时间推移传播当前信念，预测候选检查时间的目标占用情况，并纳入新的 RGB-D 证据。负面观察根据校准的、以可见性为条件的检测概率降低位置假设的权重，而证据跟踪防止重复使用同一观察。一个冻结的、零样本视觉-语言控制器使用更新后的信念来选择动作并重新规划。我们进一步引入 EvoWorld-Bench，一个基于人类活动轨迹的基准，包含 54 个场景和 803,680 个任务，并在导航前和导航期间设有受控变化。在仿真和真实机器人实验中，EvolvingNav 在导航成功率和搜索效率上优于所评估的基线。配对实验显示在可学习的时间模式下增益最明显，而消融实验证明了保留不确定性和纳入可见性感知证据的价值。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2609.39166 [cs.AI] |
| （或 arXiv:2609.39166v3 [cs.AI] 为此版本） | |
| https://doi.org/10.48550/arXiv.2609.39166 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Mingjian Gao [查看邮箱]
[v1]
2026年9月30日星期三 07:26:36 UTC（23,565 KB）
[v2]
2026年10月1日星期四 12:48:26 UTC（23,580 KB）
[v3]
2026年10月8日星期四 00:42:08 UTC（23,580 KB）
来源：arXiv cs.AI · arxiv.org