基于离线交互拓扑先验的拓扑感知VLA导航决策与推理

1．项目的立项依据

1.1 研究意义

人形机器人在办公楼、医院、园区及公共服务设施中执行物资递送、巡检、引导和协同作业等任务，需要在较大空间范围内持续理解任务目标、辨识所在场景并作出路径决策。与结构规整、目标坐标明确的传统移动机器人导航不同，此类任务通常由“前往二层会议室”“找到与目标图像相同的房间”“经过前台后到达电梯厅”等语言或图像条件给出，包含对象属性、语义地标、空间关系、访问顺序和常识约束。机器人必须把任务语义与连续第一视角观测相结合，在长时间尺度上判断当前所处位置、已经完成的任务片段、尚需经过的关键场景以及下一步应选择的通行关系。

真实建筑环境的空间连通关系还具有显著的交互操作性。走廊和开放房间可由连续移动直接通过，而关闭门、电梯等设施要求机器人满足“到达门前”“电梯处于可服务状态”等前置条件，并经历开门、呼梯、进入、选层和退出等状态转移过程。若拓扑边仅表达几何邻接或经验距离，导航系统无法区分直接通行、条件性通行与暂时不可通行，也难以在交互失败后进行路径替换。因此，环境记忆不仅需要描述“从哪里可以到哪里”，还需要表达“在何种状态下、经过何种交互、以何种代价可以到达”。

视觉拓扑图以第一人称关键帧表征地点，以真实可达关系组织空间连接，能够在不依赖高精度全局定位和稠密几何地图的条件下保存长期环境经验。视觉—语言—动作模型（VLA）具有跨模态语义理解、任务分解和行动推演能力，但其生成式决策容易受到局部视觉混淆、长程记忆不足和结构约束缺失的影响。将含普通通行边与交互操作性边的离线视觉拓扑先验转化为VLA可感知、可推演和可更新的路径知识，可使模型在真实空间连通约束下完成多模态目标定位、全局路径比较、交互环节安排及异常恢复，并为决策提供可核验的视觉与拓扑证据。

本研究拟建立离线交互拓扑先验与在线VLA推理协同的闭环导航方法，围绕任务相关子图检索、异构边关系编码、节点—交互边联合决策以及任务期工作图更新开展系统研究。预期成果将推动具身导航由单帧反应式动作预测向外部记忆支撑的长程结构化推演转变，由仅描述空间邻接向同时描述可操作性条件与状态转移扩展，为复杂建筑环境中人形机器人的长程自主导航提供理论基础和关键技术。

1.2 国内外研究现状及发展动态

视觉拓扑导航以关键视觉观测作为地点表征，以学习或统计得到的可达关系连接节点，通过视觉检索完成重定位并在图上搜索长程路径。早期研究验证了半参数化视觉记忆、学习型可达性预测及视觉目标驱动图搜索的可行性[1-2]；随后，基于多机器人数据的通用视觉导航模型进一步提升了跨环境和跨平台泛化能力[3-4]。该类方法具有地图表达紧凑、对全局坐标依赖较弱等优势，但任务形式多集中于目标图像或探索，节点语义、语言约束及通行条件的表达能力有限。

视觉语言导航研究逐步引入显式拓扑结构，将历史观测、候选视点与全局路径组织为可学习的图表示，使模型能够同时处理语言—视觉对齐、局部动作选择与全局路径规划[6-8]。相关研究表明，历史节点与候选节点的显式维护有助于缓解长程指令中的记忆遗失，拓扑邻接和距离关系有助于提高路径合法性，回退节点与候选分支有助于恢复错误决策。然而，多数方法面向仿真环境中的预定义视点，拓扑边主要表示几何可达性，真实场景中的门、电梯等交互通行关系及其动态状态尚未得到充分建模。

近年来，多模态大模型开始用于目标理解、地标识别、导航进度判断和动作生成[9-11]。长上下文视觉模型能够从第一人称视频中检索任务相关场景，并将语言或图像目标统一映射到环境观测；生成式推理模型能够利用历史帧、当前观测和任务条件预测下一节点或短程航点。进一步将节点图像与节点说明交错组织、将拓扑距离作为结构偏置注入注意力，可增强模型对候选节点空间和全局连接关系的利用[10-11]。这些进展为离线环境经验与在线多模态推理的结合奠定了基础。

总体而言，相关研究正呈现四项发展趋势：一是由单一语言或图像目标向多模态、情境化任务统一建模发展；二是由局部反应式动作预测向显式空间记忆支撑的长程推演发展；三是由纯几何邻接向包含语义、状态、代价和可操作性的异构空间关系发展；四是由固定地图上的一次性规划向连续观测和执行反馈驱动的在线更新发展。现有方法仍缺少贯通上述方向的统一机制：离线预建拓扑常作为独立图搜索模块的数据结构，未充分进入VLA的语义推理过程；交互边的前置条件、状态转移和失败替代路径缺少适合多模态模型的表示方法；环境变化或执行异常发生后，地图状态更新、偏航识别和重推理尺度选择尚未形成系统方法。本研究针对上述问题，探索“离线先验初始化—任务知识检索—交互拓扑推演—反馈增量更新”的完整技术链条。

1.3 主要参考文献

[1] Savinov N, Dosovitskiy A, Koltun V. Semi-parametric Topological Memory for Navigation. ICLR, 2018.

[2] Eysenbach B, Shah D, Kahn G, et al. ViNG: Learning Open-World Navigation with Visual Goals. ICRA, 2021.

[3] Shah D, Sridhar A, Bhorkar A, et al. GNM: A General Navigation Model to Drive Any Robot. ICRA, 2023.

[4] Shah D, Osiński B, Levine S. ViNT: A Foundation Model for Visual Navigation. CoRL, 2023.

[5] Sridhar A, Shah D, Glossop C, Levine S. NoMaD: Goal Masked Diffusion Policies for Navigation and Exploration. ICRA, 2024.

[6] Chen K, Chen J K, Chuang J, et al. Topological Planning with Transformers for Vision-and-Language Navigation. CVPR, 2021.

[7] Chen S, Guhur P L, Tapaswi M, et al. Think Global, Act Local: Dual-Scale Graph Transformer for Vision-and-Language Navigation. CVPR, 2022.

[8] An D, Wang H, Wang W, et al. ETPNav: Evolving Topological Planning for Vision-Language Navigation in Continuous Environments. IEEE TPAMI, 2024.

[9] Zhang J, Wang K, Xu R, et al. NaVid: Video-based VLM Plans the Next Step for Vision-and-Language Navigation. RSS, 2024.

[10] Xu Z, Chiang H T L, Fu Z, et al. Mobility VLA: Multimodal Instruction Navigation with Long-Context VLMs and Topological Graphs. CoRL, 2024 / PMLR, 2025.

[11] Liu J, Zhang Z, Li X, et al. TagaVLM: Topology-Aware Global Action Reasoning for Vision-Language Navigation. arXiv:2603.02972, 2026.

[12] Zhou G, Hong Y, Wu Q. NavGPT: Explicit Reasoning in Vision-and-Language Navigation with Large Language Models. AAAI, 2024.

2．项目的研究内容、研究目标，以及拟解决的关键科学问题

2.1 总体构想

本研究以第一人称视频离线预建的交互操作性视觉拓扑图作为初始环境记忆，定义为：

G_0=(V, E^{m}\cup E^{i}, A_V, A_E),

其中，$V$为视觉节点集合，每个节点包含关键帧、场景语义、历史观测及可选的方向信息；$E^{m}$为普通通行边集合，描述可由连续移动实现的空间连通关系；$E^{i}$为交互操作性边集合，描述通过门、电梯等设施形成的条件性通行关系；$A_V$与$A_E$分别表示节点属性和边属性。交互边属性由交互类型、前置状态、操作语义、预期结果、经验代价、执行状态和可靠度构成，使拓扑图能够同时表达空间结构与可操作性知识。

针对给定任务$q$和时刻$t$的第一视角观测$o_t$，从长期拓扑记忆中检索当前节点、目标节点及任务相关路径，构建紧凑工作子图$G_t^q$；将节点关键帧、语义地标、异构边关系、历史路径与导航进度编码为结构化路径知识提示，与$o_t$和$q$共同输入VLA；模型在候选节点与交互边构成的高层动作空间中生成节点轨迹、下一通行关系、相对航点及推理依据；依据连续观测和执行反馈更新$G_t^q$，在局部修正、路径切换与全局重推理之间进行自适应选择，形成闭环决策过程。

2.2 主要研究内容

（1）多模态任务驱动的拓扑知识检索与任务期工作图构建

1）语言—图像任务的统一语义解析与拓扑落点

研究语言指令、目标图像及图文混合任务的统一表示。对于语言任务，解析目标对象与属性、语义地标、空间关系、访问顺序、楼层约束、禁止条件和潜在交互需求；对于目标图像任务，提取场景级外观、对象级语义及能够区分相似区域的局部视觉线索；对于情境化任务，结合常识知识推断目标场所可能具有的功能属性与邻接关系。将任务表示映射为目标节点匹配项、路径约束项和交互条件项，避免将复杂任务压缩为单一视觉相似度检索。

研究当前位置与目标位置的双端拓扑定位。利用当前第一视角RGB图像与节点关键帧进行跨视角匹配，结合最近可信节点、历史边推进方向及连续帧一致性估计当前位置候选；根据任务语义与节点视觉—语义属性检索目标候选。构造包含视觉相似度、语义相关度、图结构一致性、任务约束满足度和节点可靠度的综合评分：

S(v\mid q,o_t)=\lambda_v S_{vis}+\lambda_s S_{sem}+\lambda_g S_{graph}+\lambda_c S_{cons}+\lambda_r C(v),

其中，各权重可依据任务类型和观测不确定性动态调整。通过起点与终点候选的联合重排序，降低相似走廊、重复房间和视角变化引起的误定位风险，并输出具有置信度的多假设拓扑落点。

2）交互约束下的任务相关子图检索

在候选起终点之间开展多约束路径搜索，将普通边的经验距离、交互边的前置条件与操作代价、节点语义匹配度、路径可靠度和任务访问顺序统一纳入代价函数。对于跨楼层、门后区域等任务，路径搜索不仅判断拓扑连通性，还验证交互边的状态条件是否满足；对当前不可用但具有恢复可能的边，保留状态转换条件与替代分支。通过多路径搜索获得主路径、若干备选路径、关键回退节点和高辨识度地标。

研究面向VLA上下文预算的子图压缩方法。以当前节点、目标候选和关键交互边为锚点，保留路径分叉、必经地标、状态不确定边及失败恢复节点；合并语义和视觉高度冗余的连续节点，裁剪与任务无关且不影响回退的远端分支。建立“核心路径层—备选分支层—局部候选层”的分层表示，使输入规模随任务相关拓扑复杂度而非完整地图规模增长，在降低计算开销的同时保留全局决策所需的结构信息。

3）任务期工作图的可信增量更新

以检索得到的任务子图初始化工作图$G_t^q$，在线维护节点视觉表征、当前位置概率、访问状态、边可用性、经验代价和交互结果。连续视觉观测与离线节点一致时，更新节点表征及定位置信度；观测到新的局部分支或关键地标时，在工作图中建立临时候选节点与连接；收到航点到达、普通边阻塞、门状态变化、电梯不可用或交互失败等反馈时，更新相应边的状态、代价与可靠度。

为避免短时遮挡、动态行人或偶然执行误差造成地图污染，研究多帧一致性确认、置信度滞回和证据寿命管理机制。节点或边状态更新需同时满足视觉证据、拓扑推进和反馈事件中的一项强证据或多项弱证据；暂时性变化赋予有限有效期，重复验证的变化逐步提高置信度。由此形成既能够吸收环境变化、又保持离线先验稳定性的任务期动态工作图。

（2）交互关系增强的路径知识表达与拓扑感知VLA推理

1）节点视觉—语义—边关系对齐的结构化路径知识提示

研究保持图实体对齐的多模态提示构造方法。按照拓扑邻接和候选路径顺序，将节点编号、节点类型、关键帧、语义地标、访问状态、任务相关性和定位置信度组织为节点知识单元；在相邻节点知识单元之间插入边知识单元，显式描述起止节点、边类型、相对方向、通行状态、前置条件、交互过程、预期状态转移、经验代价与可靠度；在子图层描述当前位置候选、目标候选、主路径、备选路径和已完成任务片段。通过节点图像与文字说明的近邻排列，保持视觉特征与语义实体的一一对应，降低多图长上下文中的对象错配。

针对图像数量和上下文长度限制，研究关键帧分级选择与信息压缩机制。当前节点、目标候选、交互边两端节点和高不确定分支保留高分辨率关键帧；普通路径节点使用缩略图或语义摘要；连续外观相似节点采用代表帧与方向变化描述。根据任务类型动态分配视觉输入预算：目标图像任务提高候选节点图像比例，复杂语言任务提高地标、顺序和交互条件的结构化描述比例，从而兼顾细粒度视觉辨识与长程结构推理。

2）面向异构边的多关系拓扑结构注入

普通通行边与交互操作性边在语义和状态转移机制上存在本质差异。研究多关系拓扑编码，将任意节点对$(v_i,v_j)$之间的最短拓扑距离、相对方向、邻接类型、交互类型、当前可用性、经验代价及可靠度编码为关系向量：

r_{ij}=\phi(d_{ij},\theta_{ij},\tau_{ij},s_{ij},c_{ij},\rho_{ij}),

其中，$d_{ij}$为图距离，$\theta_{ij}$为相对方向，$\tau_{ij}$为边类型，$s_{ij}$为状态与前置条件，$c_{ij}$为通行或交互代价，$\rho_{ij}$为关系可靠度。对于无直接连接的节点，通过路径聚合获得多跳关系编码；对于状态不确定的交互边，同时表达可用与不可用假设及其概率。

研究关系增强的多模态注意力机制，将$r_{ij}$映射为空间关系偏置并注入节点视觉token、节点文字token和边知识token之间的注意力计算：

\mathrm{Attn}_{ij}=\mathrm{Softmax}\left(\frac{Q_iK_j^\top}{\sqrt{d}}+B(r_{ij})\right)V_j.

通过参数高效的关系投影层或图结构适配模块，使VLA在保留预训练视觉语义知识的同时，显式感知“相邻但需交互”“距离较短但当前不可用”“距离较长但可靠度更高”等结构差异。进一步研究关系门控机制，根据任务类别、定位置信度和环境变化程度自适应调节视觉相似、语言语义与拓扑约束的贡献，避免错误拓扑先验对模型决策形成刚性误导。

3）任务进度理解与候选路径推演

在结构化路径知识约束下，研究当前位置、任务进度与下一关键场景的联合估计。模型需要对已观察地标、已完成交互、当前节点候选和未满足任务片段形成一致表征，并在主路径与备选路径之间比较语义符合度、拓扑可达性、交互代价和失败风险。对于“经前台后到二层会议室”等含顺序约束的任务，通过指令片段—节点地标对齐判断任务完成进度；对于目标图像任务，通过目标视觉证据与候选路径结构联合消除相似场景歧义；对于电梯等复合交互边，通过状态机展开其必要阶段，保证高层路径包含完整的交互状态转移。

研究多步预测与不确定性表达机制。模型除输出下一节点或边外，还预测有限时域节点序列和关键交互阶段，并为目标定位、边选择及停止判断分别给出置信度。当多个候选路径得分接近时，允许输出保持信息增益的探索性节点或回退节点；当拓扑先验与当前视觉严重冲突时，降低结构偏置权重并触发重新定位，增强模型在不完备地图条件下的稳健性。

（3）节点—交互边联合决策与反馈驱动的闭环重推理

1）图约束的结构化高层动作生成

构建由候选节点、普通通行边、交互操作性边、回退节点和停止动作组成的高层动作空间。VLA联合生成目标节点序列、下一边类型、平台无关相对航点、停止条件、决策置信度和推理依据。对非相邻目标节点，通过确定性图搜索展开为逐边可验证的路径；对交互边，输出其前置状态、预期状态转移和失败替代路径；对停止动作，同时验证目标视觉证据、语义条件完成度和拓扑位置置信度，降低过早停止与越过目标现象。

研究图约束解码与规则一致性校验。将候选节点及边标识嵌入受限输出词表，屏蔽工作图中不存在的连接；对交互边检查前置条件与当前状态；对整条节点轨迹检查必经地标、访问顺序、楼层转换和禁止约束。定义语义—拓扑—动作一致性得分，对模型生成结果进行重排序：

C(\pi)=\alpha C_{sem}(\pi,q)+\beta C_{topo}(\pi,G_t^q)+\gamma C_{int}(\pi)-\eta R(\pi),

其中，$C_{sem}$表示任务语义满足度，$C_{topo}$表示拓扑合法性，$C_{int}$表示交互条件满足度，$R$表示不确定性与执行风险。对低一致性输出执行约束重解码或切换为确定性图搜索结果，实现生成式推理与符号图约束的互补。

2）证据引用式推理依据生成与一致性验证

研究与决策同步生成的证据引用式推理依据，使每项关键判断均关联到实际输入的节点关键帧、语义地标、边关系、交互状态或历史反馈。推理依据按照“当前位置判断—任务进度判断—候选路径比较—下一动作选择—风险与替代方案”的结构生成，避免产生无法由输入证据支持的自由叙述。建立推理依据与动作输出之间的双向一致性检查：推理中引用的节点和边必须存在于工作图，所述状态必须与最新证据一致，选择理由必须能够解释实际输出路径。

研究基于反事实候选的推理校验。针对当前最优路径，构造删除关键边、改变交互状态或替换目标候选的反事实工作图，检验模型的节点选择是否随关键证据发生合理变化；若决策对关键边状态不敏感或对无关视觉变化过度敏感，则降低置信度并触发约束重推理。该机制既为系统调试和性能分析提供可审计依据，也有助于抑制语言合理但结构不可达的生成结果。

3）导航信念更新、偏航判别与分级恢复

建立包含当前位置分布、目标候选分布、已完成任务片段、预期下一地标、当前边状态和路径置信度的导航信念状态$b_t$。在每次获得新观测与反馈后，依据视觉匹配、拓扑转移和事件证据进行更新：

b_t=\Psi(b_{t-1},o_t,a_{t-1},f_t,G_{t-1}^q),

其中，$a_{t-1}$为上一时刻高层动作，$f_t$为到达、阻塞、交互成功或失败等反馈。连续多帧与预期节点一致时提升路径置信度；观测偏离但仍位于当前边附近时判定为局部偏差；地标顺序冲突或匹配到其他分支时判定为拓扑偏航；交互状态与先验不一致时更新相应边并评估替代路径。

依据偏航类型和影响范围实施三级恢复。一级恢复保持全局节点路径不变，仅更新相对航点和当前节点置信度；二级恢复在任务工作子图内更新失效边、切换备选分支或回退至最近可信节点；三级恢复在目标候选错误、当前位置长期失配或关键路径整体失效时，重新执行双端检索、扩展任务子图并开展全局重推理。采用事件触发、置信度滞回和最小重规划间隔抑制频繁切换，并在模型输出超时、违反图约束或置信度持续过低时选择最近可信节点作为安全停止或回退目标，实现可解释、可退化的闭环决策。

2.3 研究目标

建立离线交互操作性视觉拓扑先验驱动的拓扑感知VLA导航决策与推理方法，形成多模态任务解析、起终点双端检索、任务子图压缩、交互关系增强推理、节点—交互边联合决策、证据一致性验证及任务期工作图更新的一体化技术体系。在不以高精度全局定位和稠密地图作为高层决策必要输入的条件下，实现语言、目标图像和图文混合任务在预建拓扑图中的统一定位，生成语义正确、拓扑可达且包含必要交互环节的节点轨迹、相对航点和可核验推理依据；在环境外观变化、通路临时阻塞和交互状态变化条件下，依据连续视觉与执行反馈完成地图状态更新、偏航判别、路径切换和全局重推理。重点支撑“重推理导航成功率不低于90%”和“实际执行轨迹与指令语义轨迹匹配度不低于90%”的总体指标，并在节点及交互边选择正确率、路径拓扑合法率、状态更新准确率和推理证据一致性等中间指标上形成可量化验证方法。

2.4 拟解决的关键科学问题

（1）多模态任务与异构交互拓扑如何形成VLA可推演的统一结构表征

语言任务表达对象、关系、顺序、常识与交互约束，目标图像提供外观证据及隐含空间位置，连续第一视角观测受到视角、光照、遮挡和重复场景影响；交互拓扑图则以离散视觉节点、普通通行边和具有前置条件及状态转移的交互边表达空间。上述信息在表征粒度、模态形式和不确定性来源上存在显著差异。如何将任务语义统一映射为目标节点、路径约束和交互条件，在有限上下文中保留必要视觉证据与全局结构，并把距离、方向、边类型、状态、代价和可靠度转化为能够参与VLA注意力与动作解码的结构归纳偏置，是拓扑知识有效驱动生成式导航推理的基础科学问题。本研究将揭示视觉相似性、语言语义和图结构约束在目标定位与全局路径推演中的互补关系，探索软结构偏置与硬图约束相结合的统一建模机制。

（2）离线先验不完备和执行扰动条件下如何维持拓扑记忆、语义推理与导航状态的一致性

离线拓扑先验记录的是历史环境状态，而门、电梯、通路和视觉外观会随时间发生变化；导航异常既可能来自局部观测噪声与短程偏差，也可能来自边状态失效、目标定位错误或高层路径决策错误。单帧视觉证据难以区分暂时遮挡与稳定变化，单次执行失败也不足以判定拓扑边永久失效。如何融合连续视觉、拓扑推进、交互结果和任务进度形成可信导航信念，判别变化来源与影响范围，并在航点修正、边状态更新、子图切换和全局重推理之间选择适当尺度，是保障闭环导航长期可靠性的关键科学问题。本研究将探索具有证据寿命和置信度滞回的工作图更新机制，以及语义—拓扑—动作一致性约束下的分级恢复规律。

3．拟采取的研究方案及可行性分析

3.1 研究方法与技术路线

采用“离线先验初始化—多模态双端检索—任务子图构建—拓扑关系注入—图约束联合生成—反馈增量更新”的总体技术路线。首先，读取包含节点关键帧、普通通行边及交互操作性边的离线视觉拓扑，根据当前第一视角观测和任务条件检索当前位置与目标候选；其次，开展交互约束下的多路径搜索和任务相关子图压缩，建立包含主路径、备选分支、交互边与回退节点的工作图；再次，构造节点视觉、节点语义和异构边关系相互对齐的结构化路径知识提示，通过多关系拓扑注意力或图结构适配模块增强VLA；随后，在图约束动作空间内联合生成节点轨迹、下一通行关系、相对航点、停止条件与推理依据，并完成拓扑合法性、交互前置条件及证据一致性校验；最后，融合连续视觉和执行反馈更新导航信念与工作图，以事件触发方式实施局部修正、分支切换和全局重推理。

3.2 模型训练与关键技术

模型训练采用预训练多模态模型与参数高效适配相结合的方式。利用离线视频轨迹和拓扑图自动构造当前节点识别、目标节点检索、下一节点选择、交互边选择、路径合法性判断和任务进度预测样本；通过改变起点、裁剪历史、遮挡关键帧和替换相似节点构造困难负样本；通过修改门、电梯和通路状态构造交互条件变化样本；通过注入错过转向、边阻塞、交互失败和目标误检构造恢复训练样本。采用分阶段训练策略，依次完成跨模态拓扑定位、关系增强路径推理、受约束动作生成和反馈闭环更新，再开展端到端联合适配。

关键技术包括：面向语言与目标图像的统一任务编码，视觉—语义—拓扑联合重排序，交互约束下的多路径搜索，面向上下文预算的任务子图压缩，节点与边实体对齐的图文交错表示，多关系拓扑注意力，候选图约束解码，交互前置条件校验，证据引用式推理生成，导航信念更新以及事件触发的分级重推理。对关系增强模块采用残差方式注入，使其在训练初期接近原模型行为，降低对预训练能力的破坏；对在线地图更新采用临时状态与稳定状态分离的机制，保证异常情况下能够回滚到最近可信图状态。

3.3 实验手段与评价方法

实验采用离线轨迹回放、仿真规模化测试、故障注入测试和真实建筑环境在线测试相结合的方式。任务类型覆盖直接语言目标、含访问顺序的路线指令、常识推断目标、目标图像导航及图文混合任务；交互场景覆盖关闭门通行、跨楼层电梯通行、交互设施暂时不可用和多条交互路径竞争；异常场景覆盖起点混淆、相似走廊、地标遮挡、外观变化、错过转向、临时阻塞、交互失败和关键路径失效。

设置无拓扑知识的多模态导航、固定离线图规划、纯文本路径表达、仅普通边拓扑、无在线更新及无反馈重推理等对照方法。开展任务子图检索、图文交错表达、多关系拓扑注入、交互边状态建模、证据一致性校验和分级重推理的消融实验。评价指标分为四类：任务理解与检索指标，包括目标节点召回率、起点定位准确率和任务约束识别准确率；结构推理指标，包括节点及交互边选择正确率、路径拓扑合法率、交互前置条件满足率和备选路径质量；闭环适应指标，包括地图状态更新准确率、偏航检出率、恢复成功率和重规划次数；生成质量与效率指标，包括语义轨迹匹配度、推理证据一致性、停止判断准确率、在线决策时延和上下文消耗。通过跨楼层长程任务和持续环境变化测试，验证方法的泛化性与稳定性。

3.4 可行性分析与风险控制

现有视觉拓扑导航研究已验证视觉节点检索、经验可达性预测和图搜索在弱定位条件下完成长程导航的可行性[1-5]；拓扑化视觉语言导航研究证明显式历史节点、候选节点和图结构约束能够支撑语言引导的全局规划与错误恢复[6-8]；多模态大模型导航研究表明，长上下文视觉理解和多图推理可用于目标检索、导航进度判断与高层动作预测[9-12]。上述研究为本方案的视觉拓扑表示、多模态语义理解和全局推理提供了充分基础。

本研究所需的关键帧节点、普通边、交互边和历史轨迹均可形成结构化训练与验证样本，门、电梯等交互状态可通过规则组合和故障注入扩展，能够降低大规模人工标注成本。预训练多模态模型具备多图输入、视觉问答和指令遵循能力，参数高效适配可控制训练资源需求。任务检索、子图构建、关系注入、图约束解码和工作图更新均具有清晰的中间输出和评价指标，可独立开发、逐级集成。

针对可能出现的技术风险，采取以下措施：当多图上下文过长时，采用分层检索与关键帧动态压缩；当拓扑先验存在错误时，采用关系门控、视觉证据优先和可回滚工作图；当生成结果违反拓扑约束时，采用受限解码和确定性图搜索进行校正；当交互状态证据不足时，保持多假设边状态并选择风险受控的替代路径；当在线推理延迟过高时，缓存节点与边表示，并仅在关键事件发生时触发全局重推理。由此，系统可在关系增强模块尚未充分收敛时退化为“多模态目标检索—确定性图搜索—视觉状态更新”的基本流程，具备较强的工程可实施性和安全可验证性。

4．本项目的特色与创新之处

4.1 离线交互拓扑先验与在线拓扑感知推理协同的生成式闭环导航

本研究的创新在于以包含门、电梯等交互操作性边的离线视觉拓扑图作为VLA全局推理的结构先验，构建多模态任务检索、异构边关系表达、节点—交互边联合决策、证据一致性验证与任务期工作图更新的一体化机制。通过图文交错路径知识表达和多关系拓扑结构注入，使VLA能够显式推演连接类型、前置状态、交互代价、状态转移与替代路径；通过生成式语义推理与图约束解码相结合，实现节点轨迹、相对航点和推理依据的相互验证；通过连续视觉和执行反馈驱动的导航信念更新及分级重推理，使离线环境经验能够在动态场景中得到在线修正。该方法突破了预建拓扑仅服务于独立图搜索、拓扑边仅表示几何可达性以及生成式导航缺少结构校验的局限，形成兼具长程语义推演、交互关系理解、结构可达性、决策可解释性和闭环适应能力的导航决策新范式。