SLAM-Free Visual Navigation with Hierarchical Vision-Language Perception and Coarse-to-Fine Semantic Topological Planning

📄 arXiv: 2509.20739v1 📥 PDF

作者: Guoyang Zhao, Yudong Li, Weiqing Qi, Kai Zhang, Bonan Liu, Kai Chen, Haoang Li, Jun Ma

分类: cs.RO, cs.CV

发布日期: 2025-09-25

💡 一句话要点

提出一种基于视觉语言分层感知和粗细粒度语义拓扑规划的无SLAM视觉导航框架

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)

关键词: 视觉导航 无SLAM 视觉语言模型 语义理解 拓扑规划

📋 核心要点

  1. 传统SLAM方法在腿式机器人导航中面临快速运动、标定和漂移问题，且缺乏高级语义理解能力。
  2. 提出一种无SLAM的视觉导航框架，利用分层视觉语言感知和语义拓扑地图实现粗细粒度的规划。
  3. 实验表明，该框架在语义精度、规划质量和导航成功率方面均有提升，验证了分层感知和局部规划的有效性。

📝 摘要（中文）

本文提出了一种纯视觉、无SLAM的导航框架，旨在解决传统SLAM在快速运动、标定需求和传感器漂移下的脆弱性，以及语义推理能力有限的问题。该框架利用分层视觉语言感知模块融合场景级上下文和对象级线索，实现鲁棒的语义推理。语义概率拓扑地图支持粗细粒度的规划：基于LLM的全局推理用于子目标选择，基于视觉的局部规划用于避障。该框架与强化学习运动控制器集成，可部署在不同的腿式机器人平台上。仿真和真实环境的实验表明，该框架在语义精度、规划质量和导航成功率方面均有持续提升，消融研究进一步验证了分层感知和精细局部规划的必要性。这项工作为无SLAM、视觉语言驱动的导航引入了一种新范式，将机器人探索从以几何为中心的建图转变为以语义为中心的决策。

🔬 方法详解

问题定义：传统腿式机器人导航依赖SLAM，但在快速运动、标定要求高以及传感器漂移的情况下表现脆弱。此外，传统SLAM方法通常缺乏对环境的语义理解，难以支持任务驱动的探索。因此，需要一种更鲁棒、更具语义理解能力的导航方法。

核心思路：本文的核心思路是放弃传统的几何地图构建，转而利用视觉语言模型进行环境的语义理解，并构建语义拓扑地图。通过分层感知，融合场景级和对象级的语义信息，提高语义理解的准确性和鲁棒性。利用LLM进行全局推理，选择合适的子目标，并结合视觉信息进行局部避障规划。

技术框架：该框架主要包含三个模块：1) 分层视觉语言感知模块：用于提取场景的语义信息，包括场景级上下文和对象级线索。2) 语义概率拓扑地图：用于存储和管理环境的语义信息，并支持粗细粒度的规划。3) 规划模块：包含基于LLM的全局规划和基于视觉的局部规划。全局规划负责选择合适的子目标，局部规划负责避障。整个框架与强化学习运动控制器集成，控制腿式机器人的运动。

关键创新：该方法最重要的创新点在于提出了一个完全无SLAM的视觉导航框架，利用视觉语言模型进行环境的语义理解和规划。与传统的基于几何地图的导航方法相比，该方法更加鲁棒，并且能够更好地支持任务驱动的探索。此外，分层感知和粗细粒度的规划策略也提高了导航的效率和准确性。

关键设计：分层视觉语言感知模块的具体实现细节未知，但可以推测其可能采用了多模态融合的方法，将视觉信息和语言信息进行融合，以提高语义理解的准确性。语义概率拓扑地图的具体实现细节也未知，但可以推测其可能采用了概率图模型来表示环境的语义信息，并利用概率推理进行规划。全局规划模块使用了LLM，具体的LLM模型选择和prompt设计未知。局部规划模块使用了视觉信息，具体的算法未知，但可以推测其可能采用了基于深度学习的图像分割或目标检测算法。

📊 实验亮点

实验结果表明，该框架在语义精度、规划质量和导航成功率方面均优于传统方法。消融实验验证了分层感知和精细局部规划的必要性。具体性能数据未知，但摘要中强调了“consistent improvements”，表明该方法具有显著的优势。

🎯 应用场景

该研究成果可应用于各种腿式机器人的自主导航任务，例如搜索救援、环境监测、物流配送等。通过语义理解和规划，机器人可以更好地适应复杂环境，完成各种任务。此外，该方法还可以扩展到其他类型的机器人，例如无人车、无人机等。

📄 摘要（原文）

Conventional SLAM pipelines for legged robot navigation are fragile under rapid motion, calibration demands, and sensor drift, while offering limited semantic reasoning for task-driven exploration. To deal with these issues, we propose a vision-only, SLAM-free navigation framework that replaces dense geometry with semantic reasoning and lightweight topological representations. A hierarchical vision-language perception module fuses scene-level context with object-level cues for robust semantic inference. And a semantic-probabilistic topological map supports coarse-to-fine planning: LLM-based global reasoning for subgoal selection and vision-based local planning for obstacle avoidance. Integrated with reinforcement-learning locomotion controllers, the framework is deployable across diverse legged robot platforms. Experiments in simulation and real-world settings demonstrate consistent improvements in semantic accuracy, planning quality, and navigation success, while ablation studies further showcase the necessity of both hierarchical perception and fine local planning. This work introduces a new paradigm for SLAM-free, vision-language-driven navigation, shifting robotic exploration from geometry-centric mapping to semantics-driven decision making.