假设图细化：带有级联误差修正的假设驱动探索，用于具身导航

具身智能体必须探索部分观察到的环境，同时保持可靠的长期记忆。现有的基于图的导航系统提高了可扩展性，但它们经常将未探索的区域视为语义未知，导致边界搜索效率低下。尽管视觉语言模型（VLM）可以预测前沿语义，但错误的预测可能会嵌入到内存中并通过下游推理传播，导致结构错误累积，而仅靠置信度衰减无法解决。这些观察结果需要一个框架，该框架可以利用语义预测进行定向探索，同时在新证据与错误相矛盾时系统地撤回错误。我们提出了假设图细化（HGR），这是一个框架，它将前沿预测表示为依赖感知图存储器中的可修改假设节点。 HGR 引入了（1）语义假设模块，该模块估计边界上的上下文条件语义分布，并根据目标相关性、旅行成本和不确定性对探索目标进行排名；（2）验证驱动的级联校正，它将现场观察与预测语义进行比较，并在不匹配时将被驳斥的节点及其所有下游依赖项一起撤回。与附加地图构建不同，这允许通过修剪错误的子图来收缩图，从而在整个长情节中保持记忆的可靠性。我们在多模式终身导航 (GOAT-Bench) 和实体问答 (A-EQA、EM-EQA) 上评估 HGR。 HGR 在 GOAT-Bench 上实现了 72.41% 的成功率和 56.22% SPL，并且在两个 QA 基准上显示出一致的改进。诊断分析表明，级联校正消除了大约 20% 的结构冗余假设节点，并将对错误区域的重新访问减少了 4.5 倍，其中镜面和透明表面占校正预测误差的 67%。