自主导航是移动机器人服务功能体系的一项核心需求,传统的导航方法将其形式化为具体的避障问题,机器人可以在环境地图中通过运动规划实现定点导航。然而,受限于实际家庭场景的特殊性和时变性,无法预先为通用的服务机器人提供环境地图,此时,环境内容对于机器人来说是完全未知的。一方面,机器人需要在适当探索和理解环境结构的基础上推理目标的位置,然后通过低层次的运动规划到达目标周围;另一方面,家庭场景中物品的位置是往往是动态变化的,机器人和目标可能分处不同的场景类型,机器人需要学习更加高效的搜索策略以应对跨越场景类型的目标导航问题。对于在预先缺乏环境地图的家庭场景中导航到给定目标的问题,为了合理利用机器人有限的视觉资源,提高机器人在未知环境中的探索效率,本文提出了一种基于注意力机制的自适应目标导航模型。使用卷积网络编码观测输入和目标输入图像中的语义信息,基于注意概率模型实现语义特征和经验信息的融合,机器人将对视觉观测的兴趣区域提高关注度和加强探索,同时通过次级目标状态回溯模型保持对环境中的显著地标和特殊结构的关注,设置经验缓冲区存储有价值的导航片段并对其进行反复回放,利用分布式的柔性执行器-评价器算法加速模型的训练过程。实验表明,本文所提模型在任务的成功率和导航效率方面相较于基准模型均有显著提升,能够引导机器人快速通过狭长的通道和绕过障碍物,且训练过程的收敛速度更快。跨场景的目标导航任务需要机器人在不同的室内场景类型之间切换,进行更大范围的环境探索。为了满足多样化的场景结构对机器人环境理解能力的要求,改善像素级的视觉搜索策略在非结构化场景间的泛化性,本文提出了一种基于环境拓扑的语义目标导航模型,通过轻量化的场景图编码场景物体的相对位置布局,将目标对象的语义标签映射为词向量嵌入,利用关系图卷积网络编码视觉特征和语义先验,采用强化学习策略网络引导机器人实现全局范围内的目标搜索。在目标导航测试中,所提模型取得了比端到端方法更高的成功率和导航效率,与基于度量地图的传统导航方法相比,机器人执行面向目标的快速搜索策略,模型具备更强的泛化性和抗干扰能力。