EvoMemNav：用于零样本嵌入式导航的高效自进化细粒度内存

建立记忆对于零镜头具体导航的长期规划至关重要。以探测器为中心的场景图通常将观察结果压缩为稀疏节点，丢弃细粒度的视觉证据并积累噪声，而基于 3D 重建的方法在计算上仍然令人望而却步。我们提出了 EvoMemNav，一种高效、自我进化、细粒度的内存框架，用于零样本实现导航。 EvoMemNav 构建了一个视觉语义记忆图 (VSMGraph)，将原始视图保留为一流的记忆，并使用轻量级语义线索和拓扑关系将它们组织成房间-视图-对象层次结构，保留细粒度的细节以进行消歧和停止验证。为了适应不断增长的内存，我们引入了预算从粗到细的策略：粗略阶段将搜索空间压缩到有希望的区域，而精细阶段仅调用 VLM 进行有针对性的验证和决策。除了静态记忆之外，EvoMemNav 在每个子任务后执行反射驱动的写回，更新图形附加的先验知识，这些先验知识对累积的环境知识进行编码，以改进未来的决策，而无需重新训练。跨对象、文本描述和图像目标模式的 GOAT-Bench 和 HM3D 实验显示 SR/SPL 具有一致的增益，具有更好的多实例消歧、更少的过早停止和更强的零样本泛化。