ADAPT：面向无照明工业导航、采用转移感知奖励的音频–深度动作规划

该研究针对依赖 RGB 观测的具身导航模型难以适用于无照明工业环境的问题，提出利用空间音频定位目标、利用深度信息感知障碍几何的 ADAPT 动作规划框架，并引入 DarkNav-Bench 评估基准。基于摘要分析，本文主要研究对象是工业场景中的无 RGB 闭环导航，而非 EEG 解码或 BCI。 方法上，ADAPT 结合空间音频感知与强化学习进行闭环导航优化。其核心贡献是 transition-aware reward shaping（TARS，转移感知奖励塑形）：在位置–朝向图上定义考虑位姿的最短动作势函数。与传统测地距离进展奖励相比，该机制同时考虑可行移动与原地旋转，旨在让奖励反馈与策略实际执行的动作保持一致。摘要未提供势函数公式、奖励组合、模型结构及训练细节，相关实现尚未验证。 DarkNav-Bench 包含 24 个工业场景和四种难度逐步增加的声学条件。作者报告，ADAPT 在已见与未见场景中均优于基于训练的导航基线及零样本多模态模型；在未见环境中，Clean 条件下成功率为 90.6%，最具挑战性的 Localized Noise 条件下成功率为 60.0%。这些结果分别对应不同声学条件，不能脱离条件直接比较；具体基线、场景划分、成功判据、实验协议、消融及统计信息尚未验证。 该工作的直接阅读价值在于空间音频与深度的互补感知，以及奖励如何表达朝向变化带来的动作成本。摘要未建立其与神经信号处理的具体机制对应关系，因此不据此推断 EEG/BCI 效果，也不提出跨领域复现实验；相关 EEG 工作尚未检索确认。