arXiv 2026年10月5日该工作针对 Person Goal Navigation（PersonNav）问题，提出一个将接收者的距离信息与语义信息（习惯与意图）按用户提供信息的可信度加权结合的规划框架，并构建包含角色、物品与请求的合成场景基准，用于在真实部署前模拟自然语言人机交互；结果显示这种知情搜索优于经典基于距离的图基线，而仅用语义会导致无根据、零散的搜索，基于 LLM 的变体表现相当，硬件测试表明该方法可支持真实环境中的实体机器人。该工作针对 Person Goal Navigation（PersonNav）问题，提出一个将接收者的距离信息与语义信息（习惯与意图）按用户提供信息的可信度加权结合的规划框架，并构建包含角色、物品与请求的合成场景基准，用于在真实部署前模拟自然语言人机交互；结果显示这种知情搜索优于经典基于距离的图基线，而仅用语义会导致无根据、零散的搜索，基于 LLM 的变体表现相当，硬件测试表明该方法可支持真实环境中的实体机器人。CSIR 规划框架让机器人在信息不全时也能找到目标人物，优于纯距离图基线而纯语义搜索失稳该工作针对 Person Goal Navigation（PersonNav）问题，提出一个将接收者的距离信息与语义信息（习惯与意图）按用户提供信息的可信度加权结合的规划框架，并构建包含角色、物品与请求的合成场景基准，用于在真实部署前模拟自然语言人机交互；结果显示这种知情搜索优于经典基于距离的图基线，而仅用语义会导致无根据、零散的搜索，基于 LLM 的变体表现相当，硬件测试表明该方法可支持真实环境中的实体机器人。该工作针对 Person Goal Navigation（PersonNav）问题，提出一个将接收者的距离信息与语义信息（习惯与意图）按用户提供信息的可信度加权结合的规划框架，并构建包含角色、物品与请求的合成场景基准，用于在真实部署前模拟自然语言人机交互；结果显示这种知情搜索优于经典基于距离的图基线，而仅用语义会导致无根据、零散的搜索，基于 LLM 的变体表现相当，硬件测试表明该方法可支持真实环境中的实体机器人。