LAMP: Implicit Language Map for Robot Navigation

doi:10.1109/LRA.2025.3619820

LAMP: Implicit Language Map for Robot Navigation

2025-10-09

0

PRE

AI

DOI：10.1109/LRA.2025.3619820

原文链接

原文求助

摘要

En 中文

近期视觉-语言模型的进展使零样本导航成为可能，使机器人能够解释并遵循自然语言指令，而无需进行标注。然而，现有方法中明确将语言向量存储在网格或基于节点的地图中时，由于内存需求过大和细粒度规划分辨率有限，难以扩展至大型环境。我们引入了LAMP（语言地图），一种基于神经语言场的导航框架，该框架学习连续的、语言驱动的地图，并直接利用其生成细粒度路径。与以往方法不同，我们的方法将语言特征编码为隐式神经场，而不是在每个位置显式存储。通过结合这种隐式表示与稀疏图，LAMP支持高效的粗略路径规划，然后在学习的场中执行基于梯度的优化，以细化目标附近的位姿。我们两阶段的管道（先进行粗略图搜索，随后进行语言驱动、梯度引导的优化）首次将隐式语言地图应用于精确路径生成。这种细化通过利用学习特征空间中的语义相似性，特别有效地选择未被直接观察到的目标区域。为进一步增强鲁棒性，我们采用贝叶斯框架，通过von Mises–Fisher分布对嵌入不确定性进行建模，从而提高对未观察区域的泛化能力。为扩展至大型环境，LAMP采用一种图采样策略，优先考虑空间覆盖度和嵌入置信度，仅保留最具信息量的节点，并显著降低计算开销。我们在NVIDIA Isaac Sim和真实的多楼层建筑中的实验结果表明，LAMP在内存效率与细粒度目标到达精度方面均优于现有的显式方法，为可扩展、语言驱动的机器人导航开辟了新的可能性。

Keyword:

Vision-based navigation

mapping

path planning

open-vocabulary scene understanding

LAMP: Implicit Language Map for Robot Navigation

摘要

期刊

机构

引用论文