日前，团队论文“Dual Object Graph and Bisimulation Metric for Object-goal Navigation in Unfamiliar Environment”在人工智能领域高水平期刊《NEURAL NETWORKS》（NN）上发表。博士研究生孟怡悦为该文第一作者。该论文受到湖北省科技重大专项（2022AAA009）项目和湖北珞珈实验室开放基金项目支持。

目标驱动导航旨在引导智能体基于第一人称视觉观察，在陌生环境中找到特定的目标物体。这要求智能体学习具有信息量的视觉表示和鲁棒的导航策略。为了促进这两个方面的进展，我们提出了两种互补的技术：双物体图（DOG）和双模拟度量（BM）。DOG 整合了当前和历史的物体关系，包括类别邻近性和空间相关性。它构建了一个当前物体图（COG）来建模实时物体关系，并维护一个历史物体图（HOG）以保留长期物体关系。DOG 提升了视觉表征的学习效果。DOG 和 BM 都旨在改进鲁棒导航策略，使智能体能够摆脱死锁状态，例如循环或卡住。具体而言，BM是一种自监督强化学习（RL）技术，它能在表征空间中对行为相似的观测进行聚类。在此过程中，BM学习到鲁棒的潜在表征，这些表征能够从观测中提取仅与任务相关的信息，并过滤掉背景或视角变化等干扰因素，从而为有效的导航策略提供指导。在AI2-Thor和RoboThor环境中的实验表明，我们的方法显著提升了在陌生环境中的导航有效性和效率，而实际部署进一步验证了其迁移能力。

《NEURAL NETWORKS》为2025版中科院SCI二区TOP期刊，2026版新锐分区二区TOP期刊，最新影响因子6.3。该期刊专注于刊载人工智能与神经网络领域高水平研究成果，具有重要学术影响力。