CLOSER: Evidence-Aware Active Visual Verification for Embodied Object-Goal Navigation
作者: Pengying Wu, Mingye Jiang, Yunze Hu, Zhejia Wen, Kangjie Zhou, Zongru Yang, Zhe Peng, Chang Liu
分类: cs.CV, cs.RO
发布日期: 2026-10-20
备注: 13 pages, 8 figures, 10 tables
💡 一句话要点
提出CLOSER以解决物体目标导航中的在线验证问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱六：视频提取与匹配 (Video Extraction)
关键词: 物体目标导航 主动感知 视觉-语言模型 闭环验证 深度学习 机器人导航 智能系统
📋 核心要点
- 现有物体目标导航方法在在线判断候选对象时容易出现误判，导致导航失败。
- CLOSER通过结合视觉-语言模型与主动感知，提出了一种证据获取的闭环验证机制。
- 在Gibson和Habitat-Matterport 3D环境中，CLOSER将平均成功率提升了3.6个百分点，路径长度加权成功率提升了2.0个百分点。
📝 摘要（中文）
物体目标导航（ObjectNav）要求一个具身代理在未知环境中找到指定类别的实例并靠近它。代理通常依赖物体检测器，但必须从有限的自我中心视频流中在线判断检测到的候选对象是否为目标。现有系统往往贪婪地接近候选对象，导致其被遮挡或部分观察。本文提出CLOSER，一个基于证据的主动验证框架，将停止视为闭环证据获取，结合视觉-语言模型（VLM）验证与主动感知。CLOSER微调开源VLM，为每个候选对象的视图标记为目标、非目标或不确定，并通过嵌入式多样性门选择互补视图，融合其每视图概率。如果融合判断仍不确定，扩散策略驱动代理仅使用跟踪的掩膜和深度朝向候选对象，直到决策变得明确。CLOSER可在本地运行，并可无缝集成到现有ObjectNav系统中。
🔬 方法详解
问题定义：本文解决的问题是物体目标导航中，代理在未知环境中如何有效判断候选对象是否为目标。现有方法在处理相似物体时容易产生误判，导致导航失败。
核心思路：CLOSER的核心思路是将停止视为闭环证据获取，通过结合视觉-语言模型（VLM）和主动感知来提高判断的准确性。这样设计的目的是为了在不确定情况下，能够更好地收集证据并做出决策。
技术框架：CLOSER的整体架构包括几个主要模块：首先是对候选对象的视图进行标记（目标、非目标、不确定），然后通过嵌入式多样性门选择互补视图，接着融合每个视图的概率，最后在不确定时通过扩散策略引导代理朝向候选对象。
关键创新：CLOSER的主要创新在于其证据获取的闭环机制，结合了VLM的验证能力与主动感知策略，显著提高了物体目标导航的成功率。这与现有方法的贪婪接近策略形成了鲜明对比。
关键设计：在设计中，CLOSER使用了轻量级网络来融合每视图的概率，并通过扩散策略来处理不确定性。具体的参数设置和损失函数设计未在摘要中详细说明，可能需要参考论文的具体内容。
🖼️ 关键图片
📊 实验亮点
CLOSER在Gibson和Habitat-Matterport 3D环境中的实验结果显示，平均成功率提升了3.6个百分点，路径长度加权成功率提升了2.0个百分点。这表明在做出导航决策前进行证据验证显著改善了具身导航的效果。
🎯 应用场景
CLOSER的研究成果在机器人导航、智能家居和自动驾驶等领域具有广泛的应用潜力。通过提高物体目标导航的准确性，能够显著提升具身代理在复杂环境中的自主决策能力，进而推动智能系统的实际应用和发展。
📄 摘要（原文）
Object-goal navigation (ObjectNav) requires an embodied agent to find an instance of a specified category in an unseen environment and stop near it. The agent typically relies on an object detector but must judge online from a limited egocentric video stream, sometimes a single frame, whether a detected candidate is the target. Detectors often confidently mistake similar objects, such as a sofa for a bed, and stopping at a false positive fails the episode. Prevailing systems also approach candidates greedily, leaving them occluded or partially observed. We present CLOSER, an evidence-aware active verification framework that treats stopping as closed-loop evidence acquisition, coupling vision-language model (VLM) verification with active perception. CLOSER fine-tunes an open-source VLM to label each view of a candidate tracked across frames as target, non-target, or uncertain, selects complementary views with an embedding-based diversity gate, and fuses their per-view probabilities with a lightweight network. If the fused judgment remains uncertain, a diffusion policy drives the agent toward the candidate using only the tracked mask and depth until the decision becomes decisive. CLOSER runs locally and plugs into existing ObjectNav systems without retraining them. On Gibson and Habitat-Matterport 3D, it raises average success rate by 3.6 points and success weighted by path length by 2.0 points, showing that verifying evidence before committing improves embodied navigation.