SSTG-Nav 是面向室内服务机器人、具身智能的物体导航框架，它最大的改变就是打破了传统物体导航每次收到指令都要重新探索环境的模式，之所以能做到反复调用导航能力，核心是把整个流程拆成离线一次性测绘和在线轻量化查询两大阶段，先采集场景 RGB-D 数据构建空间语义拓扑图，把视觉大模型识别出来的物体信息换算成机器人真实能开过去、安全停靠的点位，再做多视角信息融合过滤噪声，后续用户每次下达 “去到某个物体旁边” 这类指令，系统直接读取建好的拓扑图，优先调用高置信停靠点，点位失效还能自动切换备用停靠点，到达目标位置之后再用实时拍摄的深度画面复核确认，整套流程不用重复扫图，最终实现一次测绘、长期复用的物体导航能力。
一、传统物体导航存在的痛点
- 每次导航都当作全新陌生环境探索，重复扫描、计算量大，响应速度慢
- 视觉大模型只能识别物体，没法判断机器人能不能走到这个物体跟前，隔着门框、障碍物识别到物体，也会出现导航失败
- 单点识别出错就直接导致任务中断，没有备用目标点位兜底，容错能力很差
二、SSTG-Nav 核心技术流程
2.1 离线测绘阶段（只执行一次）
- 机器人在场景内均匀撒点采集 RGB-D 图像，从多个角度拍摄整个空间，搭建场景拓扑图
- 送入视觉大模型 VLM 做物体检测，识别画面里沙发、桌子等目标物体
- 深度反投影计算，把二维检测框换算成三维空间坐标，再做后撤吸附，生成机器人可抵达的停靠点位
- 多视角证据融合，用可达性约束 + Noisy-OR 算法，把海量噪声候选点筛选压缩成可信候选停靠点集合，存入拓扑图内存
2.2 在线查询执行阶段（反复调用）
- 接收用户语义指令，在已经建好的拓扑图里检索对应物体的候选停靠点
- 按照置信度排序，优先选择排名第一的点位发起导航
- 导航失败时自动切换空间隔离的备用停靠点，支持 Top-3 点位恢复机制
- 机器人抵达预估点位后，现场拍摄 RGB-D 画面复核，确认目标物体，判断是否结束导航
三、关键技术亮点
- 空间语义拓扑图（SSTG）：融合几何度量信息 + 语义信息，不只是一张地图，而是可检索、可调用的导航记忆库
- 停靠点（standoff）机制：解决 “看得见物体，但走不到物体旁边” 的错位问题，保证目标点位具备可达性
- 多候选恢复机制：保留 3 个空间分开的备选停靠点，大幅降低单次识别错误带来的任务失败概率
- 轻量化查询：测绘完成后，后续导航不用重新探索，算力消耗低，适合家庭、办公室这类固定场景长期部署
四、实测数据表现
在 HM3D-v2 数据集 36 个场景、1000 组测试片段里，这套框架几何上限可达 99.4%；增加度量锚定之后，成功率 SR/SPL 从 0.835/0.560 提升到 0.920/0.603；搭配 Top3 备用点位恢复方案，Success@1/2/3 分别达到 0.928、0.965、0.975，SPL@3 为 0.601，同时已经完成 ROS2+Nav2 工程落地，配套代码开源可复现。
五、适用场景与局限
✅ 适合：长期固定室内场景，家庭机器人、写字楼巡检机器人、室内配送机器人
❌ 不适合：频繁大范围改造、物体每天大规模变动的场景；完全陌生、没有提前测绘的新环境，它属于预测绘复用方案，不是零样本探索导航
【相关 FAQ】
问题 1：SSTG-Nav 和普通物体导航最大差别是什么？
回答 1：SSTG-Nav 支持一次环境测绘之后反复调用物体导航，普通物体导航每次任务都要重新探索环境，SSTG-Nav 还会额外生成机器人可安全停靠的点位，解决识别到物体但是无法抵达的问题。
问题 2：SSTG-Nav 的停靠点 standoff 起到什么作用？
回答 2：SSTG-Nav 的停靠点 standoff 是经过深度反投影和可达性校验生成的目标位置，避免机器人直接冲向物体或者卡在障碍物后方，保证机器人识别到物体后，有合法、安全的停车位置。
问题 3：SSTG-Nav 导航失败之后怎么恢复？
回答 3：SSTG-Nav 采用 Top-3 恢复机制，预先保存空间相互分开的多个候选停靠点，首选点位无法抵达时，自动切换下一个备用停靠点继续导航，提升 SSTG-Nav 物体导航的任务成功率。
问题 4：SSTG-Nav 可以直接用在室外自动驾驶车辆吗？
回答 4：SSTG-Nav 主要面向室内固定场景的服务机器人物体导航，它依赖提前离线测绘，并不适合室外动态、大范围的自动驾驶车辆场景。
【参考资料】
[2026-11-14]（自动驾驶 | SSTG-Nav 深度解析：把一次环境测绘变成可反复调用的物体导航基础设施）与非网
[2026-11-04]（SSTG-Nav 深度解析：把一次环境测绘变成可反复调用的物体导航基础设施）CSDN 博客
[2026-08-04]（SSTG-Nav: Metric-Grounded Spatial-Semantic Topological Graphs for Reusable Object Navigation）arXiv
【免责声明】
本文内容仅为 SSTG-Nav 技术方案科普解读，不构成产品落地、项目选型的工程建议；相关实验数据、开源方案以论文、官方仓库原始内容为准，技术效果受传感器、场景环境、部署参数影响，实际落地效果存在差异。