论文arXiv 2606.08029今天

IntentNav：基于人类演示的空间视觉导航框架实现SOTA与零样本跨形态迁移

提出IntentNav空间视觉模仿框架，通过前沿意图标注与BEV记忆构建候选空间，在MP3D及HM3D基准刷新SOTA。该策略无需微调即可零样本迁移至轮式、四足及人形机器人，解决部分可观测下高效探索难题。

AI 整理

感知与导航
具身模型

本文由 AI 根据公开内容整理，可能有误，请以原文为准：IntentNav: Learning Spatial-Visual Object Navigation from Human Demonstrations（arXiv 2606.08029）

核心内容

针对未知环境中目标物体导航（ObjectNav）的部分可观测挑战，研究团队提出IntentNav空间视觉模仿学习框架。该方法旨在从人类演示中学习类人搜索策略，通过选择性探测视觉前沿并依赖空间记忆避免冗余重访。实验表明，IntentNav在MP3D、HM3D-v1和HM3D-v2三大主流ObjectNav基准测试中均取得State-of-the-Art性能，成功率超越现有所有学习型方法，验证了从人类低层动作推断高层搜索意图的有效性。

技术上引入“基于前沿的人类意图标注”机制，通过前瞻分析演示轨迹标记解释未来搜索方向的最佳前沿。系统构建包含BEV记忆（追踪已探区域、未探前沿及轨迹历史）与自我中心视觉语义记忆的空间-视觉候选空间。训练VLM策略时采用“意图对齐目标函数”确保探索一致性。关键工程突破在于该候选级导航接口具备强泛化能力，无需对VLM进行额外微调，即可直接零样本部署于轮式、四足及人形三种不同形态的机器人本体。

关键看点

意图标注机制：提出Frontier-based Human-Intent Labeling，前瞻分析人类演示以标记解释未来搜索方向的最佳前沿，将低层动作转化为高层搜索意图监督信号。
双重记忆架构：构建空间-视觉候选空间，利用BEV记忆跟踪探索状态与轨迹历史，结合自我中心视觉记忆提供语义线索，为VLM决策提供接地候选集。
零样本跨形态迁移：候选级导航接口解耦了策略与本体控制，无需微调VLM即可直接迁移至轮式、四足和人形机器人，验证了具身导航策略的通用性。
基准测试SOTA：在MP3D、HM3D-v1及HM3D-v2 ObjectNav基准上刷新纪录，取得所有对比方法中的最高成功率，证明类人模仿学习在长程搜索任务中的优势。

工程与产业观察

IntentNav证明了通过结构化记忆与意图对齐训练，VLM可从人类演示中提取通用导航原语。其零样本跨形态迁移能力降低了具身算法适配成本，为异构机器人复用同一套高层认知策略提供了可行范式，对解决开放世界长程探索具有显著工程参考价值。

英文摘要 (Abstract)

Object navigation requires a robot to search for an unobserved target in an unknown environment by deciding where to explore next under partial observability. Effective search resembles human-like exploration: selectively probing visually promising frontiers while relying on spatial memory to avoid redundant revisits. We propose IntentNav, a spatial-visual imitation framework that learns human-like ObjectNav policies from human demonstrations. To infer high-level search intent from low-level human actions, we introduce Frontier-based Human-Intent Labeling, which looks ahead in human demonstrations and labels the frontier that best explains the demonstrator's future search direction. We construct a spatial-visual candidate space, where BEV memory tracks explored regions, unexplored frontiers, and trajectory history, while egocentric visual memory provides semantic cues for each candidate. A VLM policy is trained to select among these grounded candidates, using Intent-Aligned Objective to encourage consistent and human-like exploration. IntentNav achieves state-of-the-art performance among learning-based methods on the MP3D, HM3D-v1, and HM3D-v2 ObjectNav benchmarks, attaining the best success rate among all compared methods. The proposed candidate-level navigation interface transfers zero-shot to wheeled, quadruped, and humanoid robots without further VLM fine-tuning. \href{https://wmn7.github.io/IntentNav/}{Project page}.

作者：Yuxin Cai, Zongtai Li, Maonan Wang, Muyi Bao, Haokun Zhu, Ruofei Bai, Ding Zhao, Zirui Li, Wenshan Wang, Wei-Yun Yau, Ji Zhang, Chen Lv