update

README.md

@@ -75,14 +75,21 @@ ros2 run vlm_perception_pkg vlm_detection --ros-args -p use_sim_time:=true
 # 默认：启动时加载历史 JSON（同一个语义记忆库文件）可选：启动时重置语义记忆库，避免历史最高分长期不更新
 # ros2 run vlm_perception_pkg vlm_detection --ros-args -p use_sim_time:=true -p reset_records_on_startup:=true
 ```
+### 导航建议
+- TurtleBot3 机身较矮，相机视角较低，高目标物体适合较远距离观测。
+- 建议在机器人低速或短暂停止时运行检测，以提高 RGB-D 与 TF 的稳定性。
+- 建议目标距离相机约 1~3 米，可以多角度对目标进行观察。
+- 本项目保存的是“最高分对应的目标坐标”，适合用于导航到目标附近，不保证是物体几何中心。
 
-检测完成后可查看目标标注结果（in /workspace/src/vlm_nav_pkg/config，带时间戳），加载生成的语义记忆库文件，通过 CLIP 将语义标签编码为shared embedding space，当用户输入自然语言查询时，系统匹配最接近的已知目标，提取其坐标并发送至 Nav2，实现基于自然语言的语义导航。以下是验证步骤：
+
+检测完成后可查看目标标注结果（in /workspace/src/vlm_nav_pkg/config，带时间戳），加载生成的语义记忆库文件，通过 CLIP 将语义标签编码为shared embedding space，当用户输入自然语言查询时，系统匹配最接近的已知目标，提取其坐标并发送至 Nav2，实现基于自然语言的语义导航。
 ## 7. 启动目标检测节点
 
 ```bash
 # 关闭检测节点后
-pip3 install "numpy<2"
+# pip3 install "numpy<2"
 ros2 run vlm_nav_pkg semantic_nav
 ```
 
-节点启动后，在终端输入自然语言语义目标（如 “water dispenser”“sofa”），系统将自动完成：语义查询与shared embedding space匹配，提取目标对应的地图坐标并向 Nav2 发送导航目标位姿，然后机器人自主规划路径并导航至语义目标位置，RViz2 中实时可视化规划路径与导航过程
+节点启动后，在终端输入自然语言语义目标（如 “water dispenser”“sofa”），系统将自动完成：语义查询与shared embedding space匹配，提取目标对应的地图坐标并向 Nav2 发送导航目标位姿，然后机器人自主规划路径并导航至语义目标位置，RViz2 中实时可视化规划路径与导航过程。当前导航会默认在目标周围生成多个候选接近点，并优先选择距离当前机器人最近的可行点，避免直接撞向物体中心点。候选点会先经过 `/map` 自由空间筛选，再逐个试算全局路径，只在“有路径”的候选点里选最优目标。
+![图7](assets/picture07.png)