FOM-Nav: Frontier-Object Maps for Object Goal Navigation

📄 arXiv: 2512.01009v1 📥 PDF

作者: Thomas Chabal, Shizhe Chen, Jean Ponce, Cordelia Schmid

分类: cs.RO, cs.CV

发布日期: 2025-11-30

备注: Project page: https://www.di.ens.fr/willow/research/fom-nav/

💡 一句话要点

提出FOM-Nav，利用前沿-物体地图提升物体目标导航效率

🎯 匹配领域: 支柱三：空间感知 (Perception & SLAM)

关键词: 物体目标导航 前沿探索 视觉语言模型 多模态融合 机器人导航 语义地图 自主探索

📋 核心要点

  1. 现有物体目标导航方法在长期记忆和语义信息方面存在不足，限制了探索效率。
  2. FOM-Nav利用在线构建的前沿-物体地图，结合视觉-语言模型进行多模态场景理解和目标预测。
  3. 实验表明，FOM-Nav在MP3D和HM3D基准测试中取得了SOTA性能，并在真实机器人上表现良好。

📝 摘要（中文）

本文针对物体目标导航问题，即机器人需要在未知环境中高效地找到目标物体。现有的基于隐式记忆的方法在长期记忆保持和规划方面存在困难，而基于显式地图的方法缺乏丰富的语义信息。为了解决这些挑战，我们提出了FOM-Nav，一个模块化框架，通过前沿-物体地图和视觉-语言模型来提高探索效率。我们的前沿-物体地图在线构建，并联合编码空间前沿和细粒度的物体信息。利用这种表示，视觉-语言模型执行多模态场景理解和高层目标预测，并通过低层规划器执行以生成高效的轨迹。为了训练FOM-Nav，我们从真实世界的扫描环境中自动构建大规模导航数据集。大量的实验验证了我们的模型设计和构建数据集的有效性。FOM-Nav在MP3D和HM3D基准测试中取得了最先进的性能，特别是在导航效率指标SPL上，并在真实机器人上产生了有希望的结果。

🔬 方法详解

问题定义：物体目标导航任务要求机器人在未知的环境中找到特定的目标物体。现有方法，如基于隐式记忆的方法，难以保持长期记忆并进行有效规划；而基于显式地图的方法，虽然能进行空间推理，但缺乏丰富的语义信息，难以有效指导探索。

核心思路：FOM-Nav的核心在于构建一个同时包含空间信息（前沿）和语义信息（物体）的地图，即前沿-物体地图。通过这种地图，机器人可以更好地理解环境，并利用视觉-语言模型进行高层目标预测，从而更高效地找到目标物体。

技术框架：FOM-Nav是一个模块化的框架，主要包含以下几个模块：1) 前沿-物体地图构建模块：在线构建地图，编码空间前沿和物体信息。2) 视觉-语言模型：利用视觉信息和语言指令，进行多模态场景理解和高层目标预测。3) 低层规划器：根据高层目标，生成高效的轨迹。整体流程是，机器人首先探索环境并构建前沿-物体地图，然后利用视觉-语言模型预测下一步要探索的目标，最后通过低层规划器执行轨迹。

关键创新：FOM-Nav的关键创新在于前沿-物体地图的设计，它将空间信息和语义信息融合在一起，使得机器人能够更好地理解环境。此外，利用视觉-语言模型进行高层目标预测，可以有效地指导探索，提高导航效率。

关键设计：前沿-物体地图的构建方式未知，视觉-语言模型的具体结构和训练方式未知，低层规划器的具体算法未知。论文中提到，他们自动构建了大规模导航数据集，这对于训练视觉-语言模型至关重要。具体的数据集构建方法未知。

📊 实验亮点

FOM-Nav在MP3D和HM3D基准测试中取得了最先进的性能，特别是在导航效率指标SPL上。相较于现有方法，FOM-Nav在导航效率方面有显著提升。此外，该论文还在真实机器人上进行了实验，并取得了有希望的结果，验证了该方法在实际场景中的可行性。

🎯 应用场景

FOM-Nav技术可应用于各种需要自主导航和物体识别的场景，例如家庭服务机器人、仓库物流机器人、安防巡逻机器人等。该技术能够提高机器人在复杂未知环境中寻找目标物体的效率，降低人工干预的需求，具有重要的实际应用价值和商业前景。

📄 摘要（原文）

This paper addresses the Object Goal Navigation problem, where a robot must efficiently find a target object in an unknown environment. Existing implicit memory-based methods struggle with long-term memory retention and planning, while explicit map-based approaches lack rich semantic information. To address these challenges, we propose FOM-Nav, a modular framework that enhances exploration efficiency through Frontier-Object Maps and vision-language models. Our Frontier-Object Maps are built online and jointly encode spatial frontiers and fine-grained object information. Using this representation, a vision-language model performs multimodal scene understanding and high-level goal prediction, which is executed by a low-level planner for efficient trajectory generation. To train FOM-Nav, we automatically construct large-scale navigation datasets from real-world scanned environments. Extensive experiments validate the effectiveness of our model design and constructed dataset. FOM-Nav achieves state-of-the-art performance on the MP3D and HM3D benchmarks, particularly in navigation efficiency metric SPL, and yields promising results on a real robot.