SG-Nav

给机器人装上'3D地图+大脑'，零训练就能找东西

SG-Nav 是一个面向机器人导航的零样本目标定位框架，核心解决大型语言模型（LLM）在未知环境中无法直接理解3D场景结构的问题。它通过在线构建3D场景图（Scene Graph），将空间层级信息（如物体、区域、房间）转化为LLM可理解的提示（Prompt），从而引导机器人高效搜索目标物体，无需任何预训练或微调。系统包含场景图构建模块和基于LLM的决策模块，支持实时更新与重规划。该工作发表于NeurIPS 2024，提供了完整的代码、模型权重和仿真环境接口，适用于室内移动机器人、服务机器人和具身智能研究。

开源 free 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 353

维护状态低维护

是否开源是

定价模式 free

项目数据

分类开源模型

开发团队bagh2178

所属国家

官网地址https://bagh2178.github.io/SG-Nav

GitHubhttps://github.com/bagh2178/SG-Nav

定价模式free

价格说明开源项目，MIT许可证，完全免费，可自行部署使用。

访问状态

是否开源是

开源协议MIT

主要语言Jupyter Notebook

技术栈/模型3d-scene-graph,embodied-ai,large-language-models,matterport3d,neurips-2024,object-goal-navigation

GitHub 星标★ 353

30天Star增速

HF 下载量

上线时间2024-10-06 00:00:00

最近更新2026-09-22 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数6

使用教程

核心亮点

零样本无需微调，直接利用LLM常识推理，泛化到新物体和新环境
在线构建3D场景图，比传统2D地图提供更丰富的空间语义信息
提供完整仿真环境（Habitat）和真实机器人部署代码，复现门槛低

不足之处

依赖LLM推理速度，实时性可能受限，在低算力设备上部署有挑战
场景图构建质量受视觉感知模型影响，对遮挡和动态物体鲁棒性待验证

适用场景

家庭服务机器人：让机器人根据自然语言指令找到'客厅的遥控器'
仓储物流：在未知货架环境中定位指定商品
具身智能研究：作为LLM+3D感知结合的基线方法

替代项目

CoW (Context-aware World Model)、ESC (Exploration with Semantic Context)、ZSON (Zero-Shot Object Navigation)

项目介绍

SG-Nav 是计算机视觉领域的开源项目，由 bagh2178 开发，2024 年首次发布。

它收录于计算机视觉分类，该分类目前共有 447 个项目，GitHub 星标数为 353。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-22。MIT许可证，完全免费，可自行部署使用。

它主要面向的使用场景是：家庭服务机器人：让机器人根据自然语言指令找到'客厅的遥控器'。同类可对比的替代方案包括 CoW (Context-aware World Model)、ESC (Exploration with Semantic Context)、ZSON (Ze…。

上一篇：UniGoal

下一篇：Awesome_Mamba