Skip to content
具身智能数据

导航、语义地图与可通行性数据

导航数据不等于一张静态占据栅格。机器人要把语言或目标物体与当前视野、历史路径和可行走空间连起来，还要在环境变化后更新判断。地图版本表示某次访问或更新时刻的地图状态及其观测证据。OVMAN用两次访问及物体移动关系提出导航目标；“回到花瓶原来的位置”要求记住一个已空出的地点，而不是在当前画面里重新检测花瓶。面向具身数据，这意味着地图必须携带时间、证据来源和对象变化。

导航数据从传感器观测、定位建图到目标与路径标签的处理流程

采集与时空对齐

Section titled “采集与时空对齐”
  • 原始观测：保存 RGB、深度、激光雷达（LiDAR）或里程计的原始时间戳、外参和有效区域，记录轨迹估计及其置信度。语义占据是在空间单元中同时表示可通行/占据状态与物体类别；相关预测把二维图像特征投到三维体素，室内语义占据比较表明上游视觉编码器选择会改变结果；所以数据集应同时可追溯原始图像、深度和投影参数。
  • 地图版本：区分一次访问时的地图、二次访问更新后的地图、最终人工核验地图。每个语义对象保存类别、位置、时间范围、可见性、观测来源及不确定性。农业语义 SLAM在定位地图中结合植物类型、尺寸和健康属性，说明语义属性要跟具体地图实体及测量时刻绑定。
  • 任务与动作：记录原始指令、目标实体或位置、候选路点、规划路径、执行轨迹和终止理由。O2C-Nav先选择图像上的候选路点，再由低层规划转成可执行路径；候选与执行结果应分别保留，便于定位错误来自语义选择还是几何执行。

导航 episode 中地图版本、目标、轨迹及证据来源的数据字段

最小数据契约

Section titled “最小数据契约”
单位 建议字段 语义要求
场景访问 scene_id, visit_id, map_version, change_events 同一场景多次访问不得混为同一真值
观测帧 timestamp, sensor_pose, rgb_depth_lidar_refs, pose_uncertainty 标定、丢帧和定位回环修正可追溯
地图实体 entity_id, semantic_class, geometry, valid_from_to, confidence 物体离开后保留历史位置与状态
决策步 instruction, goal_id, candidate_waypoints, chosen_waypoint, executed_path 高层目标与底层控制命令分离
结果 goal_reached, collision, path_length, termination_reason 到达容差及不可达判据明确

质量控制、切分与下游使用

Section titled “质量控制、切分与下游使用”

导航评估按未见场景、地图变化、定位误差和语言目标分层

质检先查地图与视频时间是否一致、闭环后位姿是否回写、语义对象是否重复编号、障碍边界是否与真实通行空间冲突。导航中“可通行”还依机器人形态、宽度和动作能力变化；LightNav-0把空间意图与本体特定轨迹连接，数据中应把目标点与机器人的可执行路径分开标注。HarnessVLN对规划建议做空间证据和几何可行性验证，失败反馈也应作为数据保留。

评估可同时报告目标到达、路径效率、碰撞、地图更新正确率、指令定位和失败恢复。按建筑/农田、视角、访问时间、目标措辞与变化关系切分；同一场景相邻路线不能同时进入训练与未见场景测试。对需要人体引导的任务，还要记录身体相对方向与抓取确认阶段，Touvigation把寻物过程分成定向、行走、伸手与触觉验证。部分可观测多智能体任务 HORIZON则应额外保存可见性掩码和信念状态，不把隐藏状态泄漏给策略输入。

本月论文索引

Section titled “本月论文索引”

本页索引收录 2026-08-27 至 2026-09-27 发表、归入本主题的论文。