一种具备分层认知与上下文感知探索能力的可部署具身视觉-语言导航系统

A Deployable Embodied Vision-Language Navigation System with Hierarchical Cognition and Context-Aware Exploration

弥合具身智能与嵌入式部署之间的差距仍是智能机器人系统面临的关键挑战，这类系统中的感知、推理与规划必须在计算、存储、能耗和实时执行等严格约束下运行。在视觉语言导航（VLN）任务中，现有方法往往面临强推理能力与真实平台高效部署之间的根本性权衡。本文提出一种可部署的具身VLN系统，在真实机器人平台上同时实现了高效率和稳健的高层推理能力。为此，我们将系统解耦为三个异步模块：用于连续环境感知的实时感知模块、用于空间语义聚合的记忆整合模块，以及用于高层决策的推理模块。我们通过增量构建认知记忆图来编码场景信息，并将其进一步分解为子图以支持视觉语言模型（VLM）的推理。为提升导航效率与精度，我们还利用认知记忆图将探索问题建模为上下文感知加权旅行修理工问题（WTRP），通过最小化视点的加权等待时间优化导航路径。在仿真与真实机器人平台上的大量实验表明，与现有VLN方法相比，本方法在保持资源受限硬件实时性能的同时，显著提升了导航成功率与效率。