摘要
零样本目标导航（ZSON）要求在未知环境中找到目标物体，而无需针对特定任务的训练。以往的分层解决方案主要集中在场景理解与表示（信念）或高层决策与规划（策略）上，通常将选项，即信念提出的子目标候选和策略选择的子目标，视为相邻模块的接口，而非独立设计轴。
在实践中，选项主要是通过目的地效用评分的单一路径：孤立的目的地隐藏了沿途获得的价值，而扁平的列表则遮蔽了候选之间的关系。我们的洞见在于，选项空间应当是路径的树形结构。完整路径揭示了沿途信息增益，而仅依赖目的地的评分则系统性地忽略了这一点；共享段的树形结构使得粗到细的LLM推理成为可能，能够在检查单个叶子之前，放弃或追踪整个分支，从而将组合路径空间压缩为高效的层次结构。我们在REST（回退视野探索性施坦纳树）中实现了这一洞见：
- 从在线RGB-D流构建明确的开放词汇3D地图；
- 通过基于采样的规划，生成以代理为中心的安全且信息丰富的路径树作为选项空间；
- 将每个分支文本化为空间叙事，并通过链式推理选择下一个最佳路径。
在Gibson、HM3D和HSSD基准测试中，REST在成功率和路径效率方面始终名列前茅。
博主点评： REST的提出为零样本目标导航问题提供了新的思路，通过将选项视为路径树而非单一路径，从而有效提升了导航的效率与成功率。这种创新的框架不仅突破了传统方法的局限，还展示了LLM在路径规划中的潜力，值得深入研究与应用。