I2O2I-Nav: A Benchmark with a Modular Agent for Long-Horizon Indoor-to-Outdoor-to-Indoor Navigation

📄 arXiv: 2610.18307v1 📥 PDF

作者: Zhengjie Shu, Wanyu Li, Di Xiao, Lingxin Jiang, Lai Jiang, Kaidi Hu, Xincheng Tang, Wenkang Hu, Haoran Wang, Jinchuan Zhang, Chang Chen, Wei Li, Jia Pan, Ruigang Yang

分类: cs.RO

发布日期: 2026-10-13

备注: 28 pages. Project page: https://i2o2i-nav.github.io/

💡 一句话要点

提出I2O2I-Nav以解决长距离室内外导航问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 长距离导航 室内外导航 服务机器人 模块化策略 物理启用环境

📋 核心要点

  1. 现有的导航基准主要评估孤立的阶段或部分跨域旅程，无法全面评估长距离室内外导航的复杂性。
  2. 本文提出I2O2I-Nav基准和MODULAR-Agent，旨在通过物理启用的环境和模块化策略来提升长距离导航的成功率。
  3. 实验结果显示，MODULAR-Agent在各个阶段的成功率显著提高，尤其是在室内到室外和室外到室内的转变中，整体任务成功率从1.15%提升至4.02%。

📝 摘要（中文）

服务和配送机器人常需完成跨越室内和室外环境的长距离导航任务。现有的导航基准主要评估孤立阶段或部分跨域旅程，无法有效评估异构导航能力在连续执行中的组合表现。本文提出了I2O2I-Nav，这是一个物理启用的基准，涵盖20个真实世界的复合场景，面积超过115,000平方米，包含多个建筑和楼层，并具有对齐的3DGS渲染和碰撞几何。该基准的三层评估从独立原语到两阶段组合，再到完整的四阶段I2O2I任务。每个阶段从前一个阶段的实际终点开始，同时阶段条件指标跟踪完成情况并定位任务中的失败。我们进一步提出了MODULAR-Agent，通过完成验证、阶段交接和有界恢复来协调固定导航策略。

🔬 方法详解

问题定义：本文旨在解决服务和配送机器人在长距离室内外导航任务中的连续执行能力不足的问题。现有方法往往只关注单一阶段或部分旅程，无法有效评估异构导航能力的综合表现。

核心思路：论文提出了I2O2I-Nav基准和MODULAR-Agent，通过物理启用的环境和模块化的策略设计，旨在提高机器人在复杂环境中的导航成功率。MODULAR-Agent通过协调不同阶段的导航策略，增强了任务的连续性和成功率。

技术框架：I2O2I-Nav基准包含三个评估层次：独立原语、两阶段组合和完整的四阶段I2O2I任务。每个阶段的起点是前一个阶段的实际终点，阶段条件指标用于跟踪任务完成情况和失败定位。MODULAR-Agent负责在各阶段之间进行策略协调和验证。

关键创新：最重要的创新点在于MODULAR-Agent的设计，它通过动态协调固定的导航策略，显著提高了在复杂环境中的任务成功率。这一方法与传统的固定策略链相比，能够更好地应对长距离导航中的挑战。

关键设计：在设计中，MODULAR-Agent采用了阶段交接和有界恢复机制，以确保在不同阶段之间的顺利过渡。此外，针对每个阶段的成功率进行了详细分析，揭示了长距离执行和完成决策中的挑战。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，MODULAR-Agent在1,374个实验中实现了40.5%-76%的单个原语成功率，而完整的I2O2I任务成功率从1.15%提升至4.02%。与固定策略链相比，MODULAR-Agent在室内到室外和室外到室内的转变中成功率翻倍，显示出其在长距离导航中的有效性。

🎯 应用场景

该研究的潜在应用领域包括服务机器人、配送机器人以及智能家居系统等。通过提升机器人在复杂环境中的导航能力，能够更好地满足实际应用需求，推动智能机器人技术的进步和普及。未来，I2O2I-Nav基准和MODULAR-Agent的设计理念有望在更多领域得到应用，促进跨域导航技术的发展。

📄 摘要（原文）

Service and delivery robots often need to complete long-horizon navigation missions spanning indoor and outdoor environments. Existing embodied navigation benchmarks primarily evaluate isolated stages or partial cross-domain journeys, providing limited support for assessing how heterogeneous navigation capabilities compose under continuous execution. We introduce I2O2I-Nav, a physics-enabled benchmark of 20 real-world composite scenes spanning over 115,000 square meters across multiple buildings and floors, with aligned 3DGS rendering and collision geometry. Its three-level evaluation progresses from independent primitives to two-stage compositions and complete four-stage I2O2I missions. Each stage starts from its predecessor's actual endpoint, while stage-conditional metrics track completion and localize failures along the mission. We further propose the MODULAR-Agent that coordinates frozen navigation policies through completion verification, stage handoffs, and bounded recovery. Evaluation across 1,374 episodes highlights the difficulty of continuous composition. The MODULAR-Agent achieves 40.5-76% success on individual primitives, but full I2O2I success remains low. Compared with a fixed policy chain using the same underlying policies, it more than doubles success on both Indoor-to-Outdoor (I2O) and Outdoor-to-Indoor (O2I), while improving full-mission success from 1.15% to 4.02%. Stage-wise analysis shows that the MODULAR-Agent enables more missions to reach the final object-navigation stage, where conditional success remains low, revealing challenges in both long-horizon stage execution and completion decisions.