CAVE-NAV：水下洞穴环境中基于 VLM 的自主 3D 导航

水下洞穴环境中的自主导航对于搜救行动、科学探索和紧急出口至关重要。传统的导航系统通常依赖于密集的视觉特征来进行定位和绘图。然而，在水下洞穴中，视觉退化可能会破坏基于特征的定位，基于声纳的测绘可能会产生过于保守的障碍物表示，并且通信限制阻碍了实时人类引导。为了解决这些限制，我们提出了一种自主水下洞穴导航框架，该框架利用具有思想链（CoT）推理的视觉语言模型（VLM），从环境线索中推断可导航方向，包括光强度梯度、通道形态和几何复杂性，通过多模态输入捕获，包括RGB图像、深度图和基于声纳的垂直间隙测量，从而支持通过受限洞穴通道的安全3D导航。跨多个洞穴拓扑的高保真模拟表明，所提出的框架完成了所有评估的端到端遍历而没有碰撞，同时保持与洞穴边界的安全间隙。