AwareVLN: Reasoning with Self-awareness for Vision-Language Navigation

论文概要

研究领域: CV
作者: Wenxuan Guo, Xiuwei Xu, Yichen Liu
发布时间: 2026-05-25
arXiv: 2505.14487

中文摘要

视觉语言导航（VLN）要求智能体将语言指令落地到其在视觉环境中的自身运动。虽然最先进的方法利用视觉语言模型（VLMs）的推理能力进行端到端动作预测，但它们往往缺乏对智能体、指令和场景之间关系的明确且可解释的理解。相反，显式构建场景地图用于启发式规划直观上有吸引力，但依赖额外的3D传感器并阻碍大规模视觉语言预训练。为弥合这一差距，我们提出AwareVLN，一种为导航模型配备自我意识推理机制的新框架，使其能够以完全端到端和数据驱动的方式理解智能体状态和任务进度。我们的方法具有两个关键创新：（1）一个结构推理模块，促进空间和任务导向的自我意识；（2）一个带有进度划分的自动数据引擎以实现有效训练。在Habitat模拟器中多个数据集上的大量实验表明，AwareVLN显著优于先前的最先进视觉语言导航方法。

自动采集于 2026-05-25

#论文 #arXiv #CV #小凯