50 lines
1.9 KiB
Markdown
50 lines
1.9 KiB
Markdown
---
|
||
title: "迷宫导航 (Maze Navigation)"
|
||
domain: "Multimodal AI / Topological Reasoning"
|
||
tags: [maze, navigation, topological-reasoning, visual-primitives, dfs]
|
||
sources: [[thinking-with-visual-primitives]]
|
||
---
|
||
|
||
# 迷宫导航 (Maze Navigation)
|
||
|
||
> 利用点视觉原语进行拓扑推理的典型任务：判断迷宫是否可解，探索并输出验证路径。
|
||
|
||
## 任务定义
|
||
|
||
给定一张迷宫图像（标记起点和终点），模型需要：
|
||
1. 判断是否存在可行路径
|
||
2. 如果可解，输出经过验证的具体路径（坐标序列）
|
||
3. 最终给出 `True`/`False` 判断
|
||
|
||
## 为什么需要视觉原语
|
||
|
||
纯语言 CoT 在迷宫导航中几乎不可能：
|
||
- 无法用语言精确描述不规则形状的路径
|
||
- 需要空间连续性判断（这堵墙是否完全阻挡了通路？）
|
||
- 需要回溯（「此路不通→返回上一个岔路口」）
|
||
|
||
[[visual-primitives|视觉原语]]（点）天然适合：每个岔路口的坐标、每段路径的轨迹、回溯标记都是精确的空间操作。
|
||
|
||
## 数据构造
|
||
|
||
- **生成算法**：DFS、Prim、Kruskal → 生成非平凡迷宫
|
||
- **拓扑类型**：矩形网格、圆形同心环、六边形蜂巢
|
||
- **不可解迷宫**：在可行路径中段添加墙壁，断开连通性
|
||
- **难度控制**：网格大小（推理步数）→ Easy 到 Nightmare
|
||
- **视觉多样性**：渐变墙、不同背景、多种标记、随机旋转
|
||
- **冷启动规模**：**460,000** 样本
|
||
|
||
## 奖励模型设计
|
||
|
||
[[specialized-rl|专项强化学习]] 阶段的迷宫 Accuracy RM：
|
||
- 因果探索进度（遇墙违规 → 截断后续）
|
||
- 探索完整性（不可解迷宫需穷举可达区域）
|
||
- 墙违规惩罚
|
||
- 最终路径有效性
|
||
- 答案正确性
|
||
|
||
## 相关概念
|
||
|
||
- [[path-tracing|路径追踪]] — 互补的拓扑推理任务
|
||
- [[visual-primitives|视觉原语]] — 点原语
|
||
- [[bidirectional-trajectory-evaluation|双向轨迹评估]] — 路径评估方法 |