CausalNav: A Long-term Embodied Navigation System for Autonomous Mobile Robots in Dynamic Outdoor Scenarios

📄 arXiv: 2601.01872v1 📥 PDF

作者: Hongbo Duan, Shangyi Luo, Zhiyuan Deng, Yanbo Chen, Yuanhao Chiang, Yi Liu, Fangming Liu, Xueqian Wang

分类: cs.RO

发布日期: 2026-01-05

备注: Accepted by IEEE Robotics and Automation Letters (RA-L)

💡 一句话要点

CausalNav：面向动态户外场景的长期具身导航系统

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 具身导航 语义场景图 大型语言模型 动态环境 机器人导航

📋 核心要点

  1. 现有室外自主导航方法在语义推理、动态环境适应和长期稳定性方面存在挑战。
  2. CausalNav利用场景图整合地图数据和对象实体，通过RAG实现开放词汇查询下的语义导航。
  3. 实验表明，CausalNav在动态户外环境中具有更强的鲁棒性和更高的效率。

📝 摘要（中文）

本文提出CausalNav，这是一个专为动态户外环境设计的基于场景图的语义导航框架。该框架利用大型语言模型构建多层语义场景图，称为具身图，它分层整合了粗粒度的地图数据和细粒度的对象实体。构建的图作为检索增强生成（RAG）的可检索知识库，支持开放词汇查询下的语义导航和长程规划。通过融合实时感知和离线地图数据，具身图支持在动态户外环境中跨不同空间粒度的鲁棒导航。动态对象在场景图构建和分层规划模块中被显式处理。具身图在时间窗口内持续更新，以反映环境变化并支持实时语义导航。在模拟和真实环境中的大量实验证明了其卓越的鲁棒性和效率。

🔬 方法详解

问题定义：论文旨在解决大规模动态户外环境中，移动机器人自主语言引导导航的问题。现有方法难以有效进行语义推理，难以适应动态变化的环境，并且缺乏长期稳定性，导致导航性能下降。

核心思路：论文的核心思路是构建一个多层次的语义场景图（Embodied Graph），该图融合了粗粒度的地图数据和细粒度的对象实体，并利用大型语言模型进行知识推理和检索，从而实现鲁棒的语义导航和长程规划。通过实时感知和离线地图数据的融合，系统能够适应动态环境的变化。

技术框架：CausalNav框架主要包含以下几个模块：1) Embodied Graph构建：利用LLM构建多层语义场景图，整合地图和对象信息。2) 检索增强生成（RAG）：利用构建的场景图作为知识库，支持开放词汇查询。3) 分层规划：在场景图上进行分层路径规划，实现长程导航。4) 动态对象处理：显式处理场景中的动态对象，提高导航的鲁棒性。5) 场景图更新：在时间窗口内持续更新场景图，反映环境变化。

关键创新：该论文的关键创新在于提出了Embodied Graph，这是一个专为动态户外环境设计的语义场景图，能够有效地整合地图数据和对象信息，并支持基于LLM的语义推理和导航。此外，该框架还显式地处理了动态对象，提高了导航的鲁棒性。

关键设计：论文中Embodied Graph的设计是关键。具体来说，它采用了多层结构，允许在不同粒度上进行导航。同时，利用LLM进行场景理解和知识推理，使得系统能够处理复杂的语义查询。动态对象的处理通过实时感知和场景图更新来实现，确保导航的安全性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文在模拟和真实环境中进行了大量实验，结果表明CausalNav在鲁棒性和效率方面均优于现有方法。具体性能数据未知，但摘要强调了其在动态户外环境中的卓越表现。实验验证了Embodied Graph和RAG在语义导航中的有效性。

🎯 应用场景

CausalNav可应用于多种户外机器人导航场景，如物流配送、安防巡逻、自动驾驶等。该研究有助于提升机器人在复杂动态环境中的自主导航能力，降低人工干预的需求，具有重要的实际应用价值和商业前景。未来可进一步扩展到更复杂的环境和任务中，例如灾难救援和环境监测。

📄 摘要（原文）

Autonomous language-guided navigation in large-scale outdoor environments remains a key challenge in mobile robotics, due to difficulties in semantic reasoning, dynamic conditions, and long-term stability. We propose CausalNav, the first scene graph-based semantic navigation framework tailored for dynamic outdoor environments. We construct a multi-level semantic scene graph using LLMs, referred to as the Embodied Graph, that hierarchically integrates coarse-grained map data with fine-grained object entities. The constructed graph serves as a retrievable knowledge base for Retrieval-Augmented Generation (RAG), enabling semantic navigation and long-range planning under open-vocabulary queries. By fusing real-time perception with offline map data, the Embodied Graph supports robust navigation across varying spatial granularities in dynamic outdoor environments. Dynamic objects are explicitly handled in both the scene graph construction and hierarchical planning modules. The Embodied Graph is continuously updated within a temporal window to reflect environmental changes and support real-time semantic navigation. Extensive experiments in both simulation and real-world settings demonstrate superior robustness and efficiency.