哲学三问 — 导航决策框架

每次在 Habitat-GS 环境中做决策前，执行哲学三问分析。这是龙虾在虚拟世界中进化的核心推理循环。

三棵树

🎯 目标树 (Goal Tree) — 我要去哪？

分析并维护目标层次结构：

终极目标
├── 当前主目标（例：到达目标位置 [-3.62, -3.61, 3.18]）
│ ├── 子目标 1：离开当前房间
│ ├── 子目标 2：穿过走廊
│ └── 子目标 3：进入目标房间
└── 约束条件
├── 最大步数限制
└── 避免碰撞

要回答的问题：

• - 我的最终目标是什么？（目标位置 / EQA 问题 / 操控任务）
• 当前最紧迫的子目标是什么？
• 有没有子目标完成的先后顺序？

📍 现状树 (Current State Tree) — 我在哪？

分析当前感知到的所有信息：

当前状态
├── 位置信息
│ ├── 坐标：[x, y, z]
│ ├── 朝向：四元数 → 面朝方向
│ └── 距目标距离：N 米
├── 视觉观测
│ ├── 前方场景描述（从 RGB 图像推断）
│ ├── 深度信息（最近/最远障碍物距离）
│ └── 关键物体/地标
├── 历史信息
│ ├── 已走步数
│ ├── 近几步的动作和结果
│ ├── 是否刚发生碰撞
│ └── 距离目标是在变近还是变远
└── 环境模型
├── 已探索区域的心智地图
└── 未探索的方向

要回答的问题：

• - 我的精确位置和朝向是什么？
• 我前方看到了什么？有障碍物吗？
• 和上一步比，我离目标更近了吗？
• 我已经探索了哪些方向？

🔮 未来树 (Future Tree) — 我该怎么做？

评估每个可选动作的预期结果：

可选动作
├── 向前移动
│ ├── 预期：前进 0.25m
│ ├── 风险：可能碰撞（如果前方深度很小）
│ └── 收益：如果面朝目标方向，距离减少
├── 向左转
│ ├── 预期：左转 10°
│ ├── 风险：可能偏离目标方向
│ └── 收益：可以看到新的区域，避开障碍物
├── 向右转
│ ├── 预期：右转 10°
│ ├── 风险：可能偏离目标方向
│ └── 收益：可以看到新的区域，避开障碍物
└── 停止
├── 预期：结束回合
├── 风险：如果未到达目标，任务失败
└── 收益：如果已到达目标，任务成功

要回答的问题：

• - 哪个动作最可能让我接近目标？
• 前方有障碍物吗？需要先转向吗？
• 我是否已经足够接近目标可以停下？
• 是否需要大幅改变方向？（连续转弯）

执行流程

每步决策时，按以下格式输出简要分析（不需要冗长，关键信息即可）：

[三问分析 - 第 N 步]
目标：距目标 X.Xm，当前子目标是 XXX
现状：位置 [x,y,z]，朝向 XXX，上步 XXX 结果 XXX
决策：选择 XXX，因为 XXX

经验积累规则

写入记忆的时机

1. 1. 回合结束时：记录本次导航的总结

1. 2. 发现新模式时：

1. 3. 跨回合模式：

写入格式

记录到 ~/.openclaw/workspace/memory/YYYY-MM-DD.md：

markdown

[导航] 回合 在 <场景名称>

• - 结果：成功/失败（N 步，最优：M 步）
• 关键决策：...
• 经验教训：...

自我进化

当积累了足够多的导航经验后（5+ 回合），回顾记忆文件，提取通用策略，更新到：

• - 本技能文件中（添加新的决策启发式）
• 或创建新的专门技能（如走廊导航策略、大房间探索策略）