作者：Luo Ling, Bai Qianqian
单位：西南财经大学
来源：arxiv Artificial Intelligence
时间：2025.04.09

一、研究背景

研究方向为视觉-语言导航（Vision-and-Language Navigation, VLN），即智能体通过视觉输入和自然语言指令在复杂环境中完成导航。虽然在模拟环境中已有显著进展，但迁移到现实环境时，常出现空间幻觉（spatial hallucination）——智能体对环境的感知与真实不符，导致路径选择错误、碰撞或迷失方向。现有方法依赖单一提示系统或单一地图建模，缺乏多层次环境建模和动态更新能力，难以应对连续空间和动态障碍。

二、核心内容

论文提出 BrainNav 框架，一种基于生物认知理论的空间导航方法：

• 借鉴生物的 认知地图理论 与大脑多区域协作机制。
• 设计了 双地图（坐标图 + 拓扑图） 与 双方向（绝对方向 + 相对方向） 策略。
• 引入五大类“仿生模块”：海马体记忆、视觉皮层感知、顶叶空间建构、前额叶决策、中小脑运动执行。
• 框架与大语言模型（如 GPT-4）兼容，支持零样本（zero-shot）在现实环境中导航。

三、核心框架贡献

BrainNav 的五大模块对应大脑功能：

1. Hippocampal Memory Center（海马体记忆中心）：历史轨迹存储与回溯，支持记忆召回。
2. Visual Cortex Perception Engine（视觉皮层感知引擎）：基于 LLM 分析场景图像，识别障碍物、可行走路径、地标。
3. Parietal Spatial Builder（顶叶空间建构器）：构建双地图（精确位置的坐标图 + 空间连通性的拓扑图）。
4. Prefrontal Decision Center（前额叶决策中心）：高层规划与决策，整合感知、地图和记忆信息，输出下一步动作。
5. Cerebellum Motor Execution Unit（小脑运动执行单元）：将高层指令转化为具体机器人动作，结合相对与绝对方向减少幻觉。

四、实验部分

实验设置：

• 使用 AgileX Limo PRO 移动机器人，仅依赖 RGB 摄像头（不使用深度相机、LiDAR 等）。
• 在现实室内场景（走廊、会议室、实验室、开放空间）进行测试。
• 对比基线：MapGPT（基于模拟环境的方法）。

评估指标：轨迹长度 (TL)、导航误差 (NE)、成功率 (SR)、路径效率 (SPL)。

结果：

• 简单指令任务（目标搜索、路径导航）：BrainNav 成功率远高于 MapGPT（如目标搜索 SR = 88% vs. 0%）。
• 复杂任务（多步导航、多目标搜索、动态障碍规避）：BrainNav 在动态障碍规避中成功率达到 87.5%，整体显著优于基线。
• 回溯率：BrainNav 的回溯率仅 10%（MapGPT 为 75%），且成功修正率高达 73.3%。
• 案例研究显示，BrainNav 能在真实场景中顺利完成多阶段导航。

五、总结

• 贡献：
  1. 提出了首个基于生物认知理论的分层决策导航框架 BrainNav。
  2. 设计了双地图 + 双方向机制，有效缓解空间幻觉问题。
  3. 在现实零样本环境下实现了超越现有 SOTA 的性能。
• 局限性：
  • 多目标 (>3) 的复杂指令成功率下降明显。
  • 在动态障碍场景中的长期稳定性仍需改进。
• 未来方向：增强多模态语义理解，优化动态环境下的路径规划与目标跟踪。