SEEK: Semantic Reasoning for Object Goal Navigation in Real World Inspection Tasks

本文探讨了在现实世界环境下自主检查中的目标导航问题。目标导航对于在各种环境中进行有效检查至关重要，通常需要机器人在大型搜索空间内识别目标物体。当前的物体检查方法效率不及人类，因为它们通常无法像人类一样引导先前和常识知识。在本文中，我们介绍了一个框架，使机器人能够使用来自环境先前空间配置和语义常识知识的语义知识。我们提出了一个名为 SEEK（用于物体检查任务的语义推理）的框架，它将语义先前知识与机器人的观察结果结合起来，以更高效地搜索和导航到目标物体。SEEK维护两个表示：动态场景图（DSG）和关系语义网络（RSN）。RSN是一个紧凑而实用的模型，估计在DSG中的空间元素之间找到目标对象的概率。我们提出了一个新颖的概率规划框架，使用关系语义知识搜索物体。我们的模拟分析表明，与本研究中检查的经典规划和基于大型语言模型（LLM）的方法相比，SEEK在目标导航任务的效率方面表现更好。我们在城市环境中的物理四足机器人上验证了我们的方法，展示了它在现实世界检查场景中的实用性和有效性。

如何在实际环境中实现自主检查时的物体目标导航，如何提高机器人的效率？

提出了一种新的框架SEEK，将语义知识与机器人的观察相结合，以更高效地搜索和导航目标物体。SEEK包括动态场景图和关系语义网络，使用概率规划框架进行目标搜索。

论文在模拟分析和实际机器人测试中验证了SEEK方法的实用性和有效性。与经典规划和LLMs方法相比，SEEK在目标检查任务的效率方面表现更好。

近期相关研究包括：Semantic SLAM，Object Detection and Recognition，Scene Graph Generation。