UniGoal 具身导航 | 通用零样本目标导航 CVPR 2025

UniGoal的提出了一个通用的零样本目标导航框架，能够统一处理多种类型的导航任务

（如对象类别导航、实例图像目标导航和文本目标导航），而无需针对特定任务进行训练或微调。

它的特点是 图匹配与多阶段探索策略！！！

论文地址：UniGoal: Towards Universal Zero-shot Goal-oriented Navigation

开源地址：https://github.com/bagh2178/UniGoal

1、模型框架

UniGoal的模型框架，如下图所示：

1. 目标图构建：根据导航任务类型（对象类别、实例图像或文本描述），构建目标图。

2. 场景图构建：代理接收RGB-D图像和姿态信息，实时构建和更新场景图。

3. 图匹配：在场景图和目标图之间进行匹配，计算匹配分数 S，反映目标匹配程度。

4. 黑名单更新：记录失败的匹配节点和边，避免重复探索。

5. 多阶段探索策略：

   • 阶段1（零匹配）：匹配分数低，扩展探索区域，通过目标图分解和前沿选择确定探索方向。

   • 阶段2（部分匹配）：匹配分数中等，利用已观察到的部分目标图推理剩余部分位置，通过坐标投影和锚点对齐生成探索目标。

   • 阶段3（完美匹配）：匹配分数高且中心对象匹配，验证目标正确性，成功则任务完成，否则更新黑名单。

6. 策略执行：全局策略生成长期探索目标，确定性局部策略将其转换为具体动作。

2、目标导向导航

目标导向导航任务是指：机器人需要在未知的环境中导航到一个指定的目标。

这个目标可以是：

• 对象类别（Object-goal Navigation, ON）：比如“找到一把椅子”。

• 实例图像（Instance-image-goal Navigation, IIN）：比如“找到与这张图片中相同的那把椅子”。

• 文本描述（Text-goal Navigation, TN）：比如“找到那个靠窗、旁边有桌子的椅子”。

对于IIN和TN任务，目标不仅包含一个中心对象 o，还包含与其他相关对象的关系描述。

而对于ON任务，目标直接就是对象类别o=g。

机器人在执行任务时会接收到带有姿态信息的RGB-D视频流（即包含颜色和深度信息的图像序列），并在每次接收到新的观测数据时执行一个动作 a，动作集合 A 包括向前移动、向左转、向右转和停止。

任务的成功完成条件是：机器人在少于 T 步内停在距离目标对象 o 少于 r 米的范围内。

2、通用零样本目标导向导航问题

在研究通用零样本目标导向导航问题，这需要满足以下两个条件：

1. 通用性（Universal）：设计的方法需要能够通用地处理上述三种导航子任务（ON、IIN、TN），在切换任务时不需要对方法本身进行任何修改。

2. 零样本性（Zero-shot）：目标可以通过自由形式的语言或图像来指定，且导航方法不需要针对特定任务进行任何训练或微调，从而具备强大的泛化能力。

为了满足上述要求，UniGoal提出了一个基于大型语言模型（LLM）的通用零样本导航框架。

• 利用LLM进行零样本决策：由于任务需要极强的泛化能力，因此采用LLM来进行零样本决策。LLM具有丰富的知识和强大的推理能力，能够帮助代理在未知环境中进行导航决策。

• 统一的图表示：为了使LLM能够感知视觉信息并统一表示不同类型的导航目标，文章提出将场景和目标都表示为图结构，即场景图（Scene Graph）和目标图（Goal Graph）。这种图表示方式能够保留场景和目标的结构化信息，便于后续的推理和决策。

• 基于图的场景理解和决策：在每一步导航过程中，通过将场景图和目标图作为提示提供给LLM，使LLM能够基于图结构进行场景理解、图匹配和决策制定，从而生成合理的探索动作。

通过这种设计，UniGoal框架能够在无需针对特定任务进行训练或微调的情况下，处理多种类型的导航任务，展现出强大的通用性和泛化能力。

3、图的定义与构建

• 图的定义：图 G=(V,E) 由节点 V 和边 E 组成。节点表示对象，边表示对象间的关系。边仅存在于空间上或语义相关对象对之间。节点和边的内容以文本形式描述。

• 场景图的构建：由于代理初始化于未知环境，并持续探索场景，因此场景图 Gt​ 随着时间逐步构建。每当代理接收到新的RGB-D观测数据时，场景图就会扩展。具体构建方法参考了SG-Nav的工作。

• 目标图的构建：对于不同类型的目标 g（对象类别、实例图像和文本描述），采用不同的方法将其转换为目标图 Gg​。

例如，对于对象类别目标，目标图仅包含一个节点，无边。

对于实例图像目标，使用Grounded SAM识别图像中的所有对象，并使用VLM识别对象间的关系以构建边。

对于文本描述目标，提示LLM识别文本中的对象和它们之间的关系以构建图。

4、图匹配方法

• 匹配的目的：通过图匹配确定目标或其相关对象是否被观察到，从而为后续的场景探索策略提供依据。

• 匹配的策略：提出了三种匹配指标，分别从节点、边和拓扑结构三个方面，计算场景图Gt​ 和 目标图 Gg​之间的相似性分数。

  • 节点匹配和边匹配：分别提取节点和边的嵌入，计算它们之间的相似性矩阵，然后通过二分图匹配确定匹配的节点对和边对。相似性矩阵中小于阈值 τ 的值会被设置为-1，以禁止对应节点或边对的匹配。

  • 拓扑匹配：计算两个图之间的拓扑结构相似性。具体来说，先找到场景图中与目标图匹配的最小子图，然后计算该子图与目标图之间的归一化编辑距离，从而得到拓扑相似性分数。

  • 最终匹配分数：将节点、边和拓扑的相似性分数进行平均，得到最终的匹配分数 S。该分数反映了目标在场景中被观察到的程度。

通过构建场景图和目标图，并运用图匹配技术，机器人能够在未知环境中识别目标对象及其相关对象。

这种图表示方法不仅保留了丰富的结构化信息，还为后续的场景探索策略提供了决策依据。

5、多阶段场景探索策略

该策略基于图匹配的分数，机器人在不同阶段采取不同的行动来寻找目标。

整个探索过程分为三个阶段：零匹配阶段、部分匹配阶段和完美匹配阶段。

下面图片是展示UniGoal的决策过程。这里的“Switch”表示阶段转换的点。“S-Goal”表示每个阶段预测的长期目标。

阶段1：零匹配阶段

• 情况描述：当匹配分数 S 小于阈值 σ1​ 时，认为目标图中的元素几乎没有被观察到。此时，代理需要扩展其探索区域，寻找目标图中的元素。

• 挑战：目标可能是一个复杂的图，包含多个内部关联较弱的子图。例如，目标图可能包含“桌子、椅子、窗户、窗帘”等多个子图，每个子图内部关联性强，但子图之间关联性弱。

• 解决方案：

  • 目标图分解：通过大型语言模型（LLM）将复杂的目标图分解为多个内部关联的子图。例如，将目标图分解为“[桌子，椅子]”和“[窗户，窗帘]”两个子图。

  • 文本描述转换：为每个子图生成文本描述，例如将“[桌子，椅子]”子图转换为“桌子旁边有椅子”。

  • 前沿选择：调用前沿选择方法（如SG-Nav中的方法），根据子图的文本描述和场景图的语义关系，选择探索的前沿点。

  • 前沿评分：通过LLM预测每个前沿点与子图的最可能位置的距离，并根据距离和前沿点到代理的距离计算评分，选择评分最高的前沿点作为长期探索目标。

通俗来说，这一阶段就像是在一个完全陌生的房间里寻找一个复杂的家具组合。由于对房间一无所知，代理人需要先分解任务，逐步探索房间的不同区域。

阶段2：部分匹配阶段

• 情况描述：随着代理的探索，目标图的部分元素逐渐被观察到，匹配分数 S 逐渐增加。当 S 超过 σ1​ 且至少存在一个锚点对（即场景图和目标图中的一对匹配节点或边）时，进入部分匹配阶段。

• 挑战：需要利用已观察到的部分目标图和场景图的重叠部分，推理出剩余部分的目标位置。

• 解决方案：

  • 坐标投影：将目标图的中心对象节点投影到坐标原点（0, 0），并利用目标图中节点间的空间关系，通过深度优先搜索（DFS）和LLM推理，逐步推断出目标图中其他节点的坐标。

  • 锚点对对齐：将场景图和目标图的锚点对对齐，计算坐标转换矩阵 P，将目标图的其余节点投影到场景图的坐标系中。

  • 探索目标生成：为每个锚点对生成探索目标，即投影节点的最小外接圆的圆心，确保探索目标到最远节点的距离最小。

通俗来说，这一阶段就像是在房间里找到了部分家具组合（如桌子和椅子），并利用这些已知信息推断出其他家具（如窗户和窗帘）可能的位置。

下面是阶段3：部分匹配阶段（坐标投影和锚点对齐）细节信息：

• 坐标投影：首先将目标图的中心对象节点投影到坐标原点（0, 0）。然后，利用目标图中节点间的关系，通过深度优先搜索（DFS）和大型语言模型（LLM）推理，逐步推断出目标图中其他节点的坐标。

• 例如，若已知一个节点的坐标和其与另一个节点的空间关系（如“在...前面”或“在...右侧”），可通过LLM推断出另一个节点的坐标。

• 锚点对齐：找到场景图和目标图中的锚点对（匹配的节点或边），将目标图的坐标系与场景图的坐标系对齐。通过计算坐标转换矩阵，将目标图的其余节点投影到场景图的坐标系中，从而确定探索目标的位置。

阶段3：完美匹配阶段

• 情况描述：当匹配分数 S 超过 σ2​ 且目标图的中心对象 o 被匹配时，进入完美匹配阶段。

• 挑战：需要确保匹配的中心对象正确，并避免感知错误。

• 解决方案：

  • 场景图校正：对场景图中距离中心对象 o 一定范围内的节点和边进行校正，通过信息传播和LLM聚合更新节点和边的描述。

  • 目标验证：通过多个置信度指标（如校正后的节点和边的比例、关键点匹配度、图匹配分数和路径长度）验证目标是否正确。如果置信度超过阈值，则确认目标；否则，排除当前匹配。

通俗来说，这一阶段就像是在房间里找到了目标家具组合，并验证其是否符合描述。

下面是阶段3：完美匹配（场景图校正）细节信息：

在接近目标时，对场景图中目标附近的节点和边进行修正。

通过多次信息传播和LLM推理，更新节点和边的描述，修正可能存在的感知错误。

例如，若新观测的图像显示椅子是棕色的，但场景图中描述为绿色，则修正场景图中的颜色描述。

6、黑名单机制

黑名单机制的定义和目的

• 定义：黑名单机制是一种防止代理（如机器人）在导航过程中重复探索无效区域的策略。

• 目的：避免在图匹配过程中反复尝试那些已经失败的节点和边，提高导航效率和鲁棒性。

黑名单机制的初始化和更新

• 初始化：黑名单初始为空。

• 更新规则：在两种情况下会将节点和边加入黑名单：

  • 当阶段2（部分匹配阶段）的所有锚点对都无法进入阶段3（完美匹配阶段）时，将这些锚点对涉及的节点和边加入黑名单。

  • 当阶段3的目标验证失败时，将所有匹配的节点和边加入黑名单。

节点和边的移除

• 修正后的移除：如果在阶段3的场景图修正过程中，某些节点或边被修正，那么这些节点和边以及它们的连接节点和边将从黑名单中移除。

通俗易懂的类比

黑名单机制可以类比为我们在日常生活中避免走冤枉路的策略。

例如，当你在一个陌生的城市寻找某个地址时，如果你发现某条路走不通或者带你到了错误的地方，你就会记住这条路，下次不会再走。这个机制帮助代理避免在无效区域浪费时间，提高导航效率。

7、Prompts提示语设计

提示语（Prompts）在UniGoal方法中起着至关重要的作用。它们被设计为指导大型语言模型（LLM）执行特定任务的指令。

这些任务包括从图像或文本中构建目标图、分解复杂的目标图、选择探索的前沿点、校正场景图以及验证目标等。

以下是具体的提示语类型及其内容：

1. 实例图像目标（Instance-image-goal）的提示语

• 任务：从图像中识别对象之间的空间关系。

• 提示语格式：

  你是一个能够推断物体之间空间关系的AI助手。你需要猜测在图像中{object1}和{object2}之间的空间关系。用一个单词或短语回答关系。

• 参数替换：

  • {object1} 和 {object2}：图像中的两个对象。

  • {image}：目标图像。

• 示例：

  你是一个能够推断物体之间空间关系的AI助手。你需要猜测在图像中椅子和桌子之间的空间关系。用一个单词或短语回答关系。

• 预期输出：一个单词或短语，描述两个对象之间的空间关系（如“在...前面”、“在...后面”等）。

2. 文本目标（Text-goal）的提示语

• 任务：从文本描述中识别对象和它们之间的关系。

• 提示语格式：

  你是一个能够从描述中识别物体和关系的AI助手。你需要将以下文本中的物体和关系以指定格式列出：{’nodes’: [{’id’: ’book’}, {’id’: ’table’}], ’edges’: [{’source’: ’book’, ’target’: ’table’, ’type’: ’on’},]}

• 参数替换：

  • {text}：文本描述的目标。

• 示例：

  你是一个能够从描述中识别物体和关系的AI助手。你需要将以下文本中的物体和关系以指定格式列出：厕所是白色的，周围有白色的门，墙壁和地板上有米色的瓷砖。

• 预期输出：一个包含节点（对象）和边（关系）的JSON格式字符串。

3. 目标图分解的提示语

• 任务：将复杂的目标图分解为多个内部关联的子图。

• 提示语格式：

  你是一个具有常识的AI助手。你需要根据相关性将以下物体{}分成多个子集，每个子集内的物体高度相关，不同子集的物体系相关性较低。你的回答应为二维数组格式：[[object1, object2,...,objectn], [...],...,[...]]

• 参数替换：

  • {}：目标图中的对象列表。

• 示例：

  你是一个具有常识的AI助手。你需要根据相关性将以下物体[椅子, 沙发, 床, 植物]分成多个子集，每个子集内的物体高度相关，不同子集的物体系相关性较低。你的回答应为二维数组格式：[[object1, object2,...,objectn], [...],...,[...]]

• 预期输出：一个二维数组，每个子数组包含一个子图中的对象。

4. 前沿评分的提示语

• 任务：预测对象与子图之间的最可能距离。

• 提示语格式：

  你是一个具有常识的AI助手。你需要预测{object}和{subgraph}之间的最可能距离（以米为单位）。

• 参数替换：

  • {object}：场景图中的对象。

  • {subgraph}：目标图的子图描述。

• 示例：

  你是一个具有常识的AI助手。你需要预测椅子和[桌子, 椅子]子图之间的最可能距离（以米为单位）。

• 预期输出：一个数字，表示对象与子图之间的最可能距离（以米为单位）。

5. 场景图校正的提示语

• 任务：基于场景图和新观测的图像，修正节点或边的描述。

• 提示语格式：

  你是一个能够详细描述室内场景图节点或边的AI助手。现在，请根据场景图{graph}和新观测的图像{image}，给出{}的更详细描述，以便识别场景图中的可能错误。

• 参数替换：

  • {}：需要修正的节点或边。

  • {graph}：局部场景图。

  • {image}：新观测的图像描述。

• 示例：

  你是一个能够详细描述室内场景图节点或边的AI助手。现在，请根据场景图{'nodes': [{'id': 'chair'}, {'id': 'table'}], 'edges': [{'source': 'chair', 'target': 'table', 'type': 'in front of'}]}和新观测的图像“一张带靠垫的木椅”，给出“椅子”的更详细描述，以便识别场景图中的可能错误。

• 预期输出：一个更详细的节点或边的描述，可能包含修正后的属性或关系。

这些提示语设计用于充分利用LLM的知识和推理能力，完成从目标识别到场景理解和决策制定的各个环节。通过精心设计的提示语，UniGoal方法能够有效地指导LLM完成复杂的导航任务。

8、实验与验证

• 数据集：在多个数据集上评估UniGoal方法，包括MatterPort3D（MP3D）、Habitat-Matterport 3D（HM3D）和RoboTHOR。这些数据集提供了丰富的3D室内环境，用于测试不同类型的导航任务。

• 评估指标：使用成功 rate（SR）和成功 rate加权路径长度（SPL）作为评估指标。SR表示成功导航的剧集比例，SPL衡量路径与最优路径的接近程度。

• 比较方法：与多种现有方法进行比较，包括监督方法（如SemEXP、ZSON、OVRL-v2）、零样本方法（如ESC、OpenFMNav、VLFM、SG-Nav）和通用方法（如PSL、GOAT）。

下面表格，是在MP3D、HM3D和RoboTHOR上，进行对象目标导航、实例图像目标导航和文本目标导航的结果。

看一下导航路径可视化，可视化了多个场景的 ON（绿色）、IIN（橙色）和 TN（蓝色）路径。

 

分享完成~