核心发现
方法论
STEGNav通过扩展传统场景图，构建空间轴的多层实例定位与占用感知前沿关系，以及时间轴的轨迹记忆，形成时空事件图。空间轴实现查询条件下的实例归属与探索前沿的联合表示，结合reachability、路径成本和探索价值。时间轴采用双窗口轨迹记忆，保持近期决策事件和验证的跨任务结果。利用视觉语言模型（VLM）推理，选择目标实例或探索前沿作为下一目标。该框架无需训练，依赖事件驱动的表示增强导航鲁棒性。
关键结果
- 在GOAT-Bench上，成功率（SR）达66.3%，路径效率（SPL）39.7%，比最优竞争方法提升3.9个百分点。HM3Dv1和V2数据集的SR分别为64.0%和69.4%。消融实验验证空间和时间轴的互补性，显著降低重复探索和实例混淆，提升跨任务经验重用。
- 在多模态终身导航中，STEGNav通过联合实例定位与占用感知关系，有效区分相似实例，增强记忆利用，提升长远任务的导航连续性。实验证明其在复杂环境中的适应性优于基线方法。
- 事件驱动的时空表示显著改善导航的可靠性和效率，减少34.1%的失败案例，尤其在实例混淆和探索效率方面表现优异，验证了其在多任务连续学习中的潜力。
研究意义
本研究突破了场景图的状态中心局限，通过引入时空事件图实现多模态终身导航的鲁棒性和经验重用。解决了现有方法难以区分相似实例、联合目标与探索前沿、有效利用导航记忆的核心瓶颈，为机器人自主探索提供了新思路。该框架无需训练，便于部署于实际机器人系统，有望推动自主导航技术在服务机器人、智能家居等领域的应用落地。其多模态融合和事件驱动机制，为未来多任务、多模态连续学习提供理论基础和技术支撑。
技术贡献
提出基于事件的时空图扩展方案，融合空间实例定位与占用关系，结合轨迹记忆实现跨任务信息重用。创新点在于：1）空间轴实现查询条件下的实例归属与前沿关系的联合建模；2）时间轴采用双窗口机制，结合近期决策与验证结果，动态更新导航状态；3）无需训练的推理框架，利用VLM进行目标选择与验证。该方法突破了传统场景图的状态中心限制，提供了更丰富的多模态信息融合和连续学习能力。
新颖性
本研究首次将场景图扩展为时空事件图，结合空间实例定位与轨迹记忆，形成动态、可重用的多模态导航表示。不同于以往仅关注静态场景结构或单一任务的模型，STEGNav实现了多模态信息的实时融合与跨任务记忆重用，显著提升复杂环境中的导航性能。这一创新在多模态终身学习领域具有开创性意义。
局限性
- 当前方法在极端动态环境中可能面临目标遮挡或场景变化带来的识别困难，影响实例归属与路径规划。
- 双窗口记忆机制可能在长时间多任务场景中积累大量信息，带来存储与计算负担，需优化压缩策略。
- 依赖预训练模型（如CLIP、YOLOv8）在特定环境下的泛化能力，可能限制在未见场景中的表现。
未来方向
未来将探索自适应记忆机制以减轻存储压力，结合强化学习优化路径决策，以及引入更强的动态场景理解能力。此外，计划扩展到真实机器人平台，验证在复杂、多变环境中的实用性，推动多模态终身导航的工业应用。
AI 总览摘要
随着机器人自主探索需求的不断增长，如何在复杂、多变的环境中实现高效、鲁棒的多模态终身导航成为研究热点。传统方法多依赖静态场景图，难以区分相似实例或充分利用历史经验，限制了其应用范围。本文提出的STEGNav框架，通过构建时空事件图，有效融合空间实例定位、占用关系和轨迹记忆，显著提升导航性能。
STEGNav的核心创新在于：一方面，空间轴实现查询条件下的实例归属与探索前沿的联合建模，增强目标区分能力；另一方面，时间轴采用双窗口轨迹记忆，结合近期决策和验证结果，动态更新导航状态。这一设计使得导航系统不仅能有效识别目标，还能持续利用历史经验，避免重复探索。
在GOAT-Bench和HM3D数据集上的实验结果显示，STEGNav成功率分别达到66.3%和64.0%，比现有最优方法提升近4个百分点。消融实验验证了空间和时间轴的互补作用，减少了34.1%的失败案例，特别是在实例混淆和探索效率方面表现优异。这些成果表明，事件驱动的时空表示极大增强了多模态导航的可靠性和连续性。
该方法无需训练，具有良好的泛化能力和部署便利性，为未来机器人自主探索提供了新思路。未来，作者计划结合强化学习优化路径策略，扩展到真实场景中，推动多模态终身导航的实际应用落地。
深度分析
研究背景
机器人自主导航技术经历了从基于几何地图的路径规划，到利用语义场景图进行高层次推理的发展。早期方法如Reinforcement Learning（RL）和Imitation Learning（IL）在特定环境中表现优异，但缺乏泛化能力。近年来，预训练的视觉语言模型（如CLIP）推动了开集目标识别和零样本导航，显著改善了多模态融合能力。场景图作为结构化表达，支持语义关系推理，成为终身导航的重要工具。尽管如此，现有场景图多为静态、状态中心，难以区分相似实例、联合目标与探索关系，也无法充分利用历史轨迹和跨任务信息，限制了复杂环境中的表现。
核心问题
核心问题在于现有场景图缺乏动态、事件驱动的表达能力，难以区分相似实例，导致目标识别混淆。同时，场景图未能有效整合探索前沿与目标信息，限制了路径规划的效率。此外，缺少对导航过程的时间记忆，导致重复探索和经验浪费。多模态终身导航需要持续的环境理解和知识重用，现有方法难以满足这些需求，亟需一种融合空间实例、轨迹记忆和多模态信息的动态表示机制。
核心创新
本研究的创新点在于：1）引入空间轴的多层实例定位与占用关系建模，增强目标区分能力；2）设计时间轴的双窗口轨迹记忆，结合近期决策和验证结果，动态更新导航状态；3）构建无需训练的事件驱动时空图，融合多模态信息，实现目标识别与路径优化的联合推理。这些创新突破了传统静态场景图的局限，为多模态终身导航提供了更丰富、更动态的表达方式。
方法详解
- �� 构建查询事件，结合目标类别和模态信息。• 空间轴：实现查询条件下的实例归属，通过VLM评估实例相关性，结合占用图生成前沿关系。• 结合reachability、路径成本和探索价值，形成联合空间图。• 时间轴：采用短期窗口记录近期决策、轨迹和状态，长期窗口存储验证过的跨任务结果。• 利用双窗口机制，动态更新场景图，结合实例、前沿和轨迹信息。• 在决策时，序列化事件图，利用VLM选择目标或探索前沿，执行路径。• 轨迹和验证结果实时更新场景图，保证信息的时效性和连续性。
实验设计
在GOAT-Bench和HM3D两个公开数据集上，采用成功率（SR）和路径效率（SPL）作为主要指标。训练无关，依赖预训练模型（YOLOv8、CLIP、SAM）进行目标识别和特征提取。设置不同阈值（γhi、γlo）进行实例匹配，轨迹窗口大小Wst=20，长远事件窗口Wlt=8。对比多种基线方法，进行消融分析验证空间和时间轴的贡献。实验还包括误差分析，评估模型在不同环境中的鲁棒性。
结果分析
STEGNav在GOAT-Bench上SR达66.3%，比最优竞争方法提升3.9个百分点，SPL为39.7%。在HM3D数据集上，SR达64.0%（V1）和69.4%（V2），均优于对比方法。消融实验显示，去除空间或时间轴都会显著降低性能，验证两者的互补性。误差分析表明，模型在实例区分和路径规划方面表现优异，成功减少了34.1%的失败案例，特别是在实例混淆和探索效率方面表现突出。
应用场景
该方法适用于服务机器人、智能家居、仓储物流等场景，支持多模态目标识别和连续任务执行。依赖预训练模型，部署简便，能在复杂环境中实现自主导航。未来可结合强化学习优化路径策略，适应动态变化的环境，提升实际应用中的鲁棒性和效率。
局限与展望
当前模型在极端动态环境中可能受遮挡和场景变化影响，识别准确率下降。双窗口机制在长时间多任务场景中存储压力大，需优化压缩策略。对预训练模型的依赖可能限制泛化能力，未来需增强模型的适应性和自我学习能力。
通俗解读 非专业人士也能看懂
想象你在一个大超市里购物。每次你看到一个商品，都要记住它的位置和特点，以便下次找到它。超市里的导购员也会帮你标记商品和路径，告诉你哪些通道可以走，哪些商品在什么位置。随着你不断购物，导购员会记住你喜欢的商品，告诉你最新到货的商品，甚至帮你避开拥挤的通道。这就像STEGNav用的时空事件图：它不仅记住每个商品（目标），还记住你走过的路径（轨迹），以及你之前找到的商品（经验）。这样，它就能更快、更准地帮你找到想要的商品，避免重复走弯路。这个系统不断学习、记忆、优化，就像你在超市里变得越来越聪明一样。
简单解释 像给14岁少年讲一样
想象你在玩一个超级复杂的宝藏寻找游戏。你需要在一个大迷宫里找到特定的宝藏，但迷宫里有很多类似的宝藏，你得靠线索和记忆来分辨。每次你找到宝藏后，会记住它的位置和周围的环境，然后继续探索。你还会记住你走过的路线，避免重复走同样的路。这个游戏里的“智能助手”就像STEGNav，它不仅知道宝藏在哪里，还记得你之前走过的路和找到的线索。它会根据你的线索，帮你快速找到目标，避免迷路或重复探索。这样，你就能更快、更聪明地完成任务，变得像个探险高手！
术语表
Spatio-Temporal Event Graph (时空事件图)
一种结合空间实例和轨迹记忆的动态表示，用于增强机器人导航的鲁棒性和连续学习能力。In this paper, it融合空间关系和时间轨迹，实现多模态任务的跨任务记忆。
核心创新，用于描述导航中的目标识别和路径规划。
Visual Language Model (视觉语言模型)
预训练的多模态模型，用于理解视觉内容与语言描述的对应关系，支持目标归属和验证。In this paper, VLM用于推理目标实例和验证导航结果。
关键技术，用于目标识别和决策支持。
Occupancy Map (占用图)
表示环境中空间占用状态的二维或三维栅格，用于路径规划和探索。本文中用于识别前沿区域和导航路径。
导航中的空间感知基础。
Dual-Window Memory (双窗口记忆)
一种同时存储近期决策和验证结果的记忆机制，支持动态更新和跨任务信息重用。本文中用于组织轨迹和验证信息。
实现导航过程的时间记忆。
开放问题 这项研究留下的未解疑问
- 1 当前方法在极端动态环境中表现仍有限，如何增强模型对快速变化场景的适应性是未来研究重点。
- 2 长时间多任务场景中，存储和计算压力较大，需开发更高效的记忆压缩和检索机制。
- 3 模型对预训练模型的依赖可能限制泛化能力，未来需探索自我学习和在线适应技术。
应用场景
近期应用
智能家居机器人
利用STEGNav实现家居环境中的自主导航与目标识别，支持多模态指令，提升家庭自动化体验。
仓储物流自动化
在仓库中部署自主导航机器人，快速定位物品，提高仓储效率，减少人工成本。
远期愿景
自主探索机器人生态系统
构建具有持续学习能力的多模态自主机器人群，支持复杂环境中的连续任务执行，推动智能自动化产业升级。
原文摘要
Multimodal lifelong navigation requires an agent to autonomously explore unseen environments while sequentially completing navigation tasks specified by object categories, language descriptions, or reference images. Existing methods primarily accomplish these tasks by constructing state-centric semantic scene graphs. By treating scene graphs as persistent repositories of semantic observations, these methods struggle to distinguish similar instances, jointly represent semantic targets and exploration frontiers, and effectively exploit navigation memory and trajectory experience. To address these limitations, we propose Spatio-Temporal Event Graph Navigation (STEGNav), a training-free framework that extends conventional scene graphs into spatio-temporal event graphs along complementary spatial and temporal axes. The spatial axis performs query-conditioned instance grounding and jointly represents semantic targets and occupancy-aware exploration frontiers characterized by reachability, path cost, and exploration utility. The temporal axis employs trajectory-aware dual-window memory to retain recent decision--trajectory events and verified cross-subtask navigation outcomes. A VLM-based navigation agent reasons over the resulting spatio-temporal event graph and selects either a target instance or an exploration frontier as its next navigation goal. STEGNav achieves 66.3% SR and 39.7 SPL on GOAT-Bench, as well as SR scores of 64.0% and 69.4% on HM3Dv1 and HM3Dv2, respectively. Ablation studies and error analyses validate the complementary effects of the two axes, demonstrating that event-driven spatio-temporal representations improve navigation reliability and cross-subtask experience reuse.