当前位置：首页 > news >正文

上交具身机器人的视觉运动导航！HTSCN：融合空间记忆与语义推理认知的导航策略

news 来源：原创 2025/6/7 6:40:34

作者：Qiming Liu $^{1}$ , Guangzhan Wang $^{2}$ , Zhe Liu $^{3,4}$ and Hesheng Wang $^{1,3,5,6}$
单位： $^{1}$ 上海交通大学自动化系， $^{2}$ 上海交通大学软件学院， $^{3}$ 上海交通大学教育部人工智能重点实验室， $^{4}$ 人工智能研究院， $^{5}$ 教育部海洋智能装备与系统重点实验室， $^{6}$ 上海智能控制与管理工程技术研究中心
论文标题：Visuomotor Navigation for Embodied Robots With Spatial Memory and Semantic Reasoning Cognition
论文链接：https://ieeexplore.ieee.org/abstract/document/10682097
出版信息：IEEE Transactions on Neural Networks and Learning Systems ( Volume: 36, Issue: 5, May 2025)

主要贡献

统一的双层图结构：将记忆和推理能力分别表示为拓扑图和语义关系图，并在一个统一的双层图结构中进行处理。
跨模态关系学习：引入基于神经的认知提取过程，捕捉层次化图之间的跨模态关系，增强了决策性能和整体智能水平。
在线层次关系学习：通过图池化实现在线跨层关系学习，建立了两个不同认知模态之间的有机连接，充分利用综合认知对决策的增强效果。
实验验证：在仿真和真实环境中验证了HTSCN的有效性，实验结果表明HTSCN在导航性能和路径效率方面显著优于现有的单模态认知导航方法。

研究背景

在机器人自主导航领域，传统的基于几何环境建模和规划的方法虽然能够实现自主导航，但由于缺乏高层次的信息表示，难以支持主动思考和智能决策。
近年来，基于神经网络的导航方法逐渐受到关注，这些方法通过模仿人类的认知过程，利用记忆和推理能力来提升导航性能。然而，现有研究大多只关注记忆或推理中的某一方面，而忽视了它们之间的有机联系。
记忆和推理在功能和表示形式上存在显著差异，如何将它们有效地整合在一起，成为了一个亟待解决的问题。

方法

本文提出了一种名为分层拓扑-语义认知导航（HTSCN）的端到端视觉导航框架，旨在通过将空间记忆和语义推理能力无缝集成到一个统一的系统中，提升机器人在未知环境中的自主认知和决策能力。
HTSCN通过将记忆和推理能力分别表示为拓扑图和语义关系图，并在一个统一的双层图结构中进行处理，从而实现两者的有机结合。

基于拓扑图的空间记忆

基于检索网络的拓扑图构建

HTSCN采用拓扑图作为记忆结构，通过检索网络评估输入图像对的相似性，在线构建拓扑图并定位查询图像的节点。
检索网络的架构处理两个RGB图像作为输入，生成一个从0到1的相似度评分，值越接近1表示感知相似度越高。机器人通过比较当前图像与每个节点观察的相似性来构建拓扑图。

拓扑记忆的节点特征

拓扑图由邻接矩阵 $A_{[M\times M]}^{t}$ 和节点矩阵 $X_{[M\times D]}^{t}$ 组成。邻接矩阵存储拓扑节点之间的连接关系，节点矩阵存储每个节点的向量，包含视觉信息、机器人定位向量和目标定位向量。具体编码如下：

视觉观察：使用ResNet50提取并转换为256维视觉特征。
机器人定位向量：通过比较当前观察与存储观察的相似性设置。
目标定位向量：通过比较拓扑节点图像与目标图像的相似性设置。

记忆特征提取

利用三层GCN提取拓扑图中的空间记忆特征。第一层的输入为节点矩阵 $X_{[M\times D]}^{t}$ ，输出为：

$H^{t(1)}=\sigma\left(F\left(A_{[M\times M]}^t, H^{t(0)}, W^{t(0)}\right)\right)$

其中， $W^{t(0)}$ 是可训练权重矩阵， $\sigma(\cdot)$ 是激活函数， $F(\cdot,\cdot,\cdot)$ 表示图卷积操作。通过引入第二和第三层GCN进一步提取空间记忆特征，最终将节点特征转换为256维的记忆向量。

基于关系图的语义推理

语义关系图构建

语义关系图是对象关系的结构化表示，节点表示对象类别，边表示它们之间的连接。
通过获取模拟环境中的对象类别作为语义节点，并基于Visual Genome数据集建立节点之间的边。
边的相关性通过对象在同一图像中的共现频率确定。

语义关系图的节点特征

语义关系图由邻接矩阵 $A_{[N\times N]}^{s}$ 和特征矩阵 $X_{[N\times d]}^{s}$ 组成。邻接矩阵存储对象之间的关系，特征矩阵包含视觉信息、目标对象信息和当前观察的检测结果编码。具体编码如下：

对象图像：使用ResNet50提取并转换为256维视觉特征。
目标对象信息：通过ResNet50提取目标对象的视觉特征。
检测结果编码：从模拟器API获取当前观察中的语义标签，并转换为256维向量。

语义关系特征提取

利用三层GCN提取语义关系图中的语义关系特征。第一层的输入为节点特征矩阵 $X_{[N\times d]}^{s}$ ，输出为：

$H^{s(1)}=\sigma\left(F\left(A_{[N\times N]}^s, H^{s(0)}, W^{s(0)}\right)\right)$

通过引入第二和第三层GCN进一步提取语义关系特征，最终将节点特征转换为256维的语义向量。

层次化关系学习

HTSCN通过在线融合语义关系图和拓扑图，实现记忆和推理能力的无缝集成。具体过程如下：

生成分配矩阵S：通过粗图池化生成分配矩阵S，用于粗略聚类和合并语义关系图的N个节点。
建立映射关系并生成关系矩阵C：基于分配矩阵S和拓扑图的邻接矩阵，生成两个图之间的关系矩阵C。
提取层次化关系信息Z：通过GCN从双层关系图中提取层次化关系信息Z。

策略生成

策略生成模块在每个时间步接收当前和目标观察，利用预训练的ResNet50提取视觉特征，并与认知特征Z结合，通过全连接层生成导航策略。
在训练过程中，计算输出动作与专家指令之间的交叉熵损失，并结合两个辅助任务的损失优化整个网络。

实施

任务和超参数设置

本文在iGibson仿真器中进行图像目标视觉导航任务，机器人需在最多500个时间步内到达目标位置。
机器人配备单目RGB摄像头，分辨率为144×192，水平视场角为90°，动作空间包括左转15°、前进0.15米和右转15°。
语义关系图节点数N设为26，拓扑图节点数M动态变化，其他参数如相似性比较阈值参考相关文献。

训练策略和测试设置

训练分为三个阶段：

首先预训练检索网络，其次单独训练策略输出模块，最后联合训练整个HTSCN模型。
第二和第三阶段通过模仿学习优化，收集72个训练场景中的3.12K个专家策略。
测试在14个不同场景中进行，包含519个测试任务，难度分为简单、中等和困难三个等级。
评估指标包括成功率（SR）、路径长度加权成功率（SPL）和成功距离（DTS）。

基线和消融模型

比较了多种基线模型和消融模型的性能，包括Reactive、Nav A3C、HGCNN、VGM、TSGM、HTSCN及其消融模型（如仅使用空间记忆或语义推理的模型）。
HTSCN在所有难度等级的任务中均表现出显著的性能提升，特别是在困难任务中，成功率显著高于其他模型。

实验结果与分析

图像目标导航

导航指标：
- HTSCN在所有难度级别的任务中表现出显著的导航性能提升，成功率达到78.74%（简单）、56.58%（中等）和41.14%（困难），显著高于基线模型如Reactive和Nav A3C。
- 与VGM和TSGM模型相比，HTSCN的成功率分别提高了28.18%和45.88%，在困难任务中，相对成功率提升进一步扩大到35.19%和89.49%。
典型导航行为可视化：
- HTSCN表现出更少的重复探索行为，并且在交叉路口更倾向于朝向目标移动，导航步数也更少，这与表格中的SPL得分一致。

可视化与解释结果

拓扑记忆解释：
- 通过辅助任务预测目标方向，验证了拓扑记忆模块能够有效提取和利用任务相关特征。
语义推理解释：
- 语义推理模块成功学习了利用语义关系图中的信息来优化导航策略，Grad-CAM分析显示网络注意力集中在与目标高度相关的对象上。
层次关系学习解释：
- 图融合操作有效学习了记忆和推理之间的跨模态关系，节点映射矩阵显示了语义节点和拓扑节点之间的连接概率。

实际场景部署

真实世界测试：
- 在Turtlebot机器人上部署HTSCN模型，使用Realsense D435i摄像头和Nvidia AGX Xavier平台，成功完成了导航任务，验证了系统的实际应用潜力。
实时性能：
- 在模拟环境中，HTSCN的推理速度为76.12ms，在真实环境中为160.61ms，满足实时性能要求。