一句话定位
相对 SpatialNav：不再假设完美点云，让机器人主动探索 + 单目重建 + 尺度校正，再把脏点云变成「走某路会看见什么」的渲染，供 MLLM反事实选路。
背景概念
| 术语 | 白话 |
|---|---|
| Reality gap（本文） | 数据集干净重建 vs 真机 egocentric 吵重建 |
| Physical grounding | 把单目 SLAM 相对尺度对齐到真实米制 |
| Visual anticipation | 从点云渲染候选动作的未来画面 |
| Counterfactual reasoning | 「如果走左边会看到什么」→ 剪掉与指令矛盾的路径 |
论文在干什么
痛点：SpatialNav 类方法依赖高质量重建；真机只有单目时尺度模糊，重建又不完整——把脏图当绝对地图会崩。
三阶段：
- Active scene discovery（frontier + 可见性扫描路径，采 RGB/IMU）
- Physically-grounded reconstruction（neural SLAM → Depth-Anything 定标 → 全局拼接）
- Anticipation-guided navigation（渲染未来观测 → MLLM 子路径推理）
结果（文摘）：R2R-CE SR 66%、RxR-CE 50.8%；Hello Robot 真机约 52% SR。
和 SpatialNav 的思想差
| SpatialNav | SpatialAnt | |
|---|---|---|
| 图从哪来 | 干净/标注级点云 | 自建吵点云 |
| 图干什么 | SSG 当知识库查布局/物体 | 当渲染底座做视觉预见 |
| 关键词 | 结构化语义 | 尺度接地 + 反事实预见 |
要点总结
- 系列第二问：脏重建怎么办。
- 答案不是「建更完美的 SSG」，而是别盲信坐标，用预见画面剪枝。
- 真机闭环：探索→重建→预见→执行。
