AllDayNav：通过现实世界的强化学习实现终身导航

动态环境中的终生体现导航需要机器人从碎片观察中形成持久的场景理解，这对于依赖显式地图或场景图并且难以泛化到结构化设置之外的现有方法来说仍然很困难。我们提出了 AllDayNav，一个终生自学习导航框架，通过强化学习将场景动态隐式编码为大型模型的十亿级参数，由自我进化的多模态内存提供支持，该内存维护和更新视觉关键帧、语义描述和时间上下文，同时自动生成开放词汇指令、图像目标和结构化奖励。在跨房间、跨情节和跨任务场景的合成环境和现实环境中进行的实验表明，AllDayNav 的成功率接近 100\%$，并且在路径效率和稳健性方面始终超越基于地图、VLM 和 RL 的强大基线，证明隐式、内存驱动的强化学习是显式映射的可扩展替代方案，可实现可靠的终身导航。