日前，由博士生孟怡悦等撰写的论文“Context-aware Graph Inference and Generative Adversarial Imitation Learning for Object-goal Navigation in Unfamiliar Environment”在国际机器人领域TOP期刊 IEEE Robotics & Automation Letters正式发表， https://doi.org/10.1109/LRA.2025.3546860。

目标驱动导航任务旨在指导智能体基于第一视角视觉观察，在陌生环境中定位特定目标物体。该任务要求智能体学习信息丰富的视觉表示与鲁棒的导航策略。为提升这两个核心模块的性能，论文提出了两项互补技术：上下文感知图推理（CGI）与生成对抗模仿学习（GAIL）。CGI通过融合对象间关系（包含类别邻近性与空间关联性）增强视觉表征学习能力。该方法采用平移超平面（TransH）技术，在导航过程中多维度上下文（包括图像、动作与记忆）的指导下，推断具有上下文感知能力的物体关联关系。CGI与GAIL均致力于提升导航策略的鲁棒性，使智能体能够摆脱循环路径或卡顿等死锁状态。GAIL作为一种模仿学习（IL）技术，使智能体能够从专家示范中学习，以解决目标导航任务中存在的非判别性奖励问题。该方法设计动态奖励函数并与环境奖励相结合，从而为高效导航策略提供指导。在AI2-Thor和RoboThor环境中的实验表明，我们的方法显著提升了智能体在陌生环境中导航的效能与效率。

 IEEE Robotics & Automation  Letter（RA-L）于2015年6月1日由IEEE机器人与自动化协会（RAS）创刊，是中科院SCI机器人领域TOP期刊，WJCI机器人领域学科排名前5%的期刊。该期刊致力于发布高质量、具有创新性的高水平研究成果，并追求对机器人和自动化社区的快速传播和影响力。