NaviScale: Generating Large-Scale Semantic Map Datasets for Object Navigation
作者: Chuanlin Lan, Yanwei Zheng, Weijian Liu, Zhitong Zhou, Xiao Zhang, Fuzhen Zhuang, Dongxiao Yu
分类: cs.RO
发布日期: 2026-09-23
备注: 14 pages, 8 figures; includes supplementary material
💡 一句话要点
提出NaviScale以解决大规模语义地图数据集生成问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 语义地图 物体导航 数据生成 机器人导航 深度学习
📋 核心要点
- 现有方法在真实3D环境中收集大量标注数据困难，限制了具身导航的应用。
- NaviScale通过组合真实家庭平面图与语义地图生成大规模训练数据，避免重建完整3D环境。
- 实验结果显示，系统在HM3D和MP3D上分别达到了64.3%和43.1%的成功率，显著提升了导航性能。
📝 摘要（中文）
具身导航需要能够在未见环境中泛化的空间表示，但从真实3D环境中收集大量标注数据非常困难。本文提出NaviScale，用于基于语义地图的物体导航，其预测器可以在部分和完整语义地图对上进行训练，而无需为每个训练样本重建完整的3D环境。该框架通过组合真实家庭的平面图与从MP3D和HM3DSem提取的房间级语义和障碍物地图，生成大规模的语义地图训练数据。NaviScale通过两种方式增加数据多样性：跨房间缩放增加平面图级结构多样性，而房间内缩放则通过房间类别匹配填充不同组合的房间地图。最终生成的数据集包含来自24,000个平面图的192,000个语义地图，系统在HM3D和MP3D上分别达到了64.3%和43.1%的成功率。
🔬 方法详解
问题定义：本文旨在解决在真实环境中收集大规模标注数据的困难，现有方法往往需要重建完整的3D环境，效率低下且成本高昂。
核心思路：NaviScale的核心思路是利用部分和完整语义地图对进行训练，生成大规模的语义地图数据集，而无需每次都重建完整的环境。通过组合真实家庭的平面图和房间级语义地图，NaviScale能够有效地扩展训练数据的多样性。
技术框架：NaviScale的整体架构包括两个主要模块：一是通过跨房间和房间内缩放生成多样化的平面图，二是通过Ray Casting技术将组合地图转换为部分观察，考虑视野、感知范围和遮挡。
关键创新：NaviScale的创新在于其数据生成方法，通过组合不同的房间地图和结构，显著提高了训练数据的多样性和覆盖范围，与传统方法相比，避免了重建完整环境的复杂性。
关键设计：在参数设置上，系统进行了300k次训练迭代，使用特定的损失函数和网络结构，确保了预测架构的一致性，同时优化了训练和推理设置以提升性能。
🖼️ 关键图片
📊 实验亮点
实验结果表明，NaviScale在HM3D和MP3D数据集上分别达到了64.3%和43.1%的成功率，较基线方法显著提升了导航性能，展示了其在生成语义地图数据方面的有效性和优势。
🎯 应用场景
NaviScale的研究成果在具身导航、机器人导航和智能家居等领域具有广泛的应用潜力。通过生成丰富的语义地图数据集，该方法可以帮助机器人在复杂环境中更好地进行自主导航，提升其在真实世界中的应用能力和适应性。
📄 摘要（原文）
Embodied navigation requires spatial representations that generalize across unseen environments, yet collecting large amounts of annotated data from real 3D environments is difficult. We propose NaviScale for semantic-map-based object navigation (ObjectNav), whose predictor can be trained on pairs of partial and complete semantic maps without reconstructing a complete 3D environment for every training sample. The framework generates large-scale semantic map training data by composing floorplans of real homes with room-level semantic and obstacle maps extracted from MP3D and HM3DSem. NaviScale increases data diversity in two ways: inter-room scaling increases floorplan-level structural diversity, while intra-room scaling fills each fixed floorplan with different combinations of room maps matched by room category. Visibility through Ray Casting (VisRC) converts the composed maps into partial observations that account for field of view, sensing range, and occlusion. The resulting dataset contains 192,000 semantic maps generated from 24,000 floorplans associated with 12,794 properties. With 300k training iterations and the training and inference settings described in this paper, the system reaches 64.3% SR and 34.8% SPL on HM3D, together with 43.1% SR and 16.8% SPL on MP3D, without changing the prediction architecture. Additional experiments evaluate the quality of the composed maps, the effects of semantic-segmentation errors, and deployment on a physical robot.