多机器人语言引导搜索的语义区域图推理

对于需要几何探索之外的语义推理的任务来说，协调多机器人系统（MRS）在未知环境中进行搜索尤其具有挑战性。经典的协调策略依赖于前沿覆盖或信息获取，无法纳入高级任务意图，例如搜索与特定房间类型相关的对象。我们提出了 \textit{语义区域图推理} (SAGR)，这是一个分层框架，使 大语言模型 (LLM) 能够通过环境的结构化语义拓扑抽象来协调多机器人探索和语义搜索。 SAGR 从语义占用图逐步构建语义区域图，将房间实例、连接性、边界可用性和机器人状态编码为 LLM 推理的紧凑任务相关表示。 LLM 根据空间结构和任务上下文执行高级语义房间分配，而确定性边界规划和本地导航则处理分配房间内的几何执行。在 Habitat-Matterport3D 数据集上跨 100 个场景的实验表明，SAGR 与最先进的探索方法相比仍然具有竞争力，同时不断提高语义目标搜索效率，在大型环境中高达 18.8%。这些结果凸显了结构化语义抽象作为复杂室内环境中基于 LLM 的推理和多机器人协调之间的有效接口的价值。