基于异构场景表示学习的社会感知目标物体导航

基于摘要分析。本文研究社会感知目标物体导航（ObjectNav）：机器人需要在前往指定语义类别物体的同时，理解人类社会交互约束与物体间的语义共现关系。作者提出 Heterogeneous Scene Representation（HSR），分别刻画人—机器人—物体（HRO）的异质交互，并将其用于基于深度强化学习（DRL）的导航策略。 核心机制是通过 Heterogeneous Graph Attention Network（HGAN）区分不同交互与语义关系，避免将所有关系映射到同一特征空间而损失关系特异性。随后，导航策略利用 HSR 进行场景状态转移学习与状态价值估计。摘要未披露图的具体构建规则、关系类型、注意力计算、奖励设计或训练流程，尚不能确认这些模块如何实现。 作者报告，在具有挑战性的家庭拥挤场景中，该方法通过基线对照和消融研究取得优于现有方案的表现；但摘要未提供环境或数据集名称、训练与测试划分、评价指标及具体数值，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是，当 EEG 任务包含明确不同类型的节点与关系时，关系专属表示可能比统一关系建模更有利。可复用的是异构关系注意力思想；需重新定义通道、脑区或事件节点及其边关系，不能直接沿用 HRO 图或导航强化学习策略。EEG 的低信噪比、跨被试通道差异与小样本规模可能使细分关系难以可靠估计。一个可证伪的小实验是在同一 EEG 数据划分、节点特征与近似参数量下，对比统一关系图和异构关系图，并检查跨被试结果及关系扰动后的稳定性；这不是原论文已经验证的结论，相关 EEG 工作尚未检索确认。