OVAL: Open-Vocabulary Augmented Memory Model for Lifelong Object Goal Navigation¶

摘要¶

目标导航（ObjectNav）是智能机器人的基础能力，要求 Agent 在未知环境中导航到指定物体。现有方法在独立单目标导航任务上表现良好，但在终身记忆表示方面存在局限，阻碍了跨扩展时段的持续目标导航。本文提出 OVAL，一个新颖的终身开放词汇记忆框架，使语义开放任务中的长期导航能够高效精确执行。该框架引入记忆描述符来促进记忆模型的结构化管理，并提出基于概率的探索策略，利用多值前沿评分提升终身探索效率。

核心贡献¶

终身开放词汇记忆框架：支持在语义开放任务中进行长期导航，解决了传统方法在跨时段持续目标追踪中的局限
记忆描述符（Memory Descriptors）：引入结构化记忆管理机制，支持对物体、场景和经验的开放词汇表示
多值前沿评分（Multi-Value Frontier Scoring）：基于概率的探索策略，增强 Agent 在新环境中的探索效率
开放词汇泛化能力：突破了传统方法对预定义物体类别的限制，支持任意自然语言描述的目标

为什么重要¶

OVAL 解决了机器人导航中的关键问题：从「单次任务」到「终身学习」的跨越。传统方法只关注单次导航的成功，而 OVAL 关注 Agent 如何在多次任务中积累和利用记忆，实现真正意义的终身学习能力。这对家庭服务机器人、自动驾驶车辆等实际应用至关重要。

与移动端/端侧相关性¶

端侧部署友好：终身记忆框架支持在边缘设备上持续学习和适应
开放词汇能力：移动机器人的目标可以是任意用户描述的物体，无需预定义类别
内存高效性：通过记忆描述符的结构化管理，优化边缘设备的存储利用
实时探索：多值前沿评分策略支持实时决策，适用于资源受限的移动平台

OVAL: Open-Vocabulary Augmented Memory Model for Lifelong Object Goal Navigation¶

摘要¶

核心贡献¶

为什么重要¶

与移动端/端侧相关性¶

相关论文¶