一句话定位
允许机器人先完整逛一遍环境，把点云整理成楼层–房间–物体的 Spatial Scene Graph；任务时 MLLM 看「以自己为中心的俯视局部图 + 罗盘全景拼图 + 候选点附近物体」，做零样本视觉语言导航。
给新人的直觉
经典 VLN 像第一次进迷宫只准看眼前；SpatialNav 像扫地机器人：先建一张带房间标签的平面关系图，再听「去卧室」——看不见的房间靠图，不靠猜。
背景概念
| 术语 | 白话 |
|---|---|
| Zero-shot VLN | 不针对 VLN 数据集训专用策略，主要靠 MLLM 推理 |
| Pre-exploration | 任务前允许充分探索（偏离「纯在线局部」经典设定） |
| SSG | Spatial Scene Graph：带几何布局与语义标签的分层场景图 |
| Remote object localization | 问图：若走到某个候选落点，周围会有什么物体 |
论文在干什么
痛点：零样本 VLN 只有局部观测 → 探索低效；多卧室等同指令候选时无法消歧（论文 Fig.1）。
做法：
- 假设预探索后有点云（可用现成 SLAM）；自动/半自动做成 SSG（楼层分割 → 房间分割 → GPT 房间分类 → SpatialLM 物体检测）。
- SpatialNav三件套：agent-centric ~7 m 俯视房间布局图；八方向罗盘拼成一张图；对每个候选导航点从 SSG 取邻域物体描述。
- 评测：R2R / REVERIE / R2R-CE / RxR-CE val-unseen，SR 约 57.7% / 49.6% / 64.0% / 32.4%，超以往零样本并逼近部分有监督学习。
关键创新（3 条）
- 设定：把「家用预建图」写进零样本 VLN 问题定义。
- 表示：SSG 显式编码全局布局+语义，而不是只靠 prompt 历史。
- 用法：地图裁成 agent-centric + 视觉罗盘对齐 + 远程物体，专门解决「墙后面是什么」。
局限
- 仿真侧大量依赖 Matterport 类点云；真机噪声由同系列SpatialAnt再补。
- 大开放空间房间分割仍难，论文对 >20 m² 区域有人工核验。
- 不替代局部避障控制器；仍要 waypoint / 底层控制。
- 分数与「禁止预探索」的经典 VLN 设定不可直接横比吹嘘。
要点总结
- SSG ≈ 分层语义场景图，不是纯占用栅格。
- 预探索设定 = 工程友好，≠ 经典 VLN 规则。
