无需训练的具身导航探索！TRAVEL：零样本视觉语言导航中的检索与对齐

• 作者： Navid Rajabi, Jana Kosecka

• 单位：乔治梅森大学计算机科学系

• 论文标题：TRAVEL: Training-Free Retrieval and Alignment for Vision-and-Language Navigation

• 论文链接：https://arxiv.org/pdf/2502.07306

主要贡献

• 提出了基于模块化方法的Vision-Language Navigation（VLN）任务解决方案，该方法在零样本设置下利用最先进的大型语言模型（LLMs）和视觉语言模型（VLMs），将问题分解为四个子模块，通过提取导航指令中的地标和访问顺序，检索最后地标的候选位置，生成路径假设，并计算与指令的对齐分数，最终评估路径保真度。

• 在复杂的R2RHabitat指令数据集上，与使用联合语义地图的方法（如VLMaps）相比，展示了优越的性能，并详细量化了视觉定位对导航性能的影响。

研究背景

• VLN任务：要求控制智能体（在模拟环境或现实世界中）根据自然语言指令在环境中导航。例如，让智能体按照“在走廊左转，去厨房，在水槽边停下”这样的指令行动。该任务需要解析语言输入，将短语与视觉概念（场景、地标、动作等）以及时间线索（如“在……之前”）进行对应。

• 现有方法：

  • 端到端方法：采用序列到序列模型，输入语言指令和视觉信息，输出低级导航动作序列。训练时使用强化学习和模仿学习的混合方法，但在新环境和复杂指令下性能受限，且需要大量高质量训练样本和计算资源。

  • 基于LLM和VLM的模块化方法：将LLMs、VLMs与传统地图表示和机器人导航堆栈相结合。例如，CLIPNav利用CLIP VLMs和GPT-3进行指令分解和方向判断，但依赖于环境的可导航图，且CLIP在关联地标与图像方面能力有限；VLMaps构建联合视觉语言语义占用图，但指令简单，且需要额外数据集进行LLMs微调。

研究方法

• 整体框架：该方法包含八个主要步骤，基于R2R-Habitat数据集的复杂指令，利用预训练的LLMs和VLMs进行零样本导航。

• 步骤详解：

  • 步骤1：使用数据集的训练集构建环境的拓扑地图，将每个节点表示为360°RGB全景图，边的权重为1，确保训练集中每个真实路径节点在拓扑地图中有对应节点。

  • 步骤2：使用预训练的LLM（LLama-3.1-8B-Instruct）从自然语言指令中提取地标序列，并识别最后地标短语，搜索最后地标的候选目标节点。

  • 步骤3：利用最先进的VLM（SigLIP）进行目标/最后地标识别，通过计算全景图与地标文本描述的余弦相似度来完成。与VLMaps方法相比，在127个地标上的平均Precision@10从34.4%提升到70.0%，优势在于使用SigLIP代替CLIP进行地标识别。

  • 步骤4：根据前k个目标位置，从起始位置到目标节点计算BFS最短路径，得到k条路径假设。

  • 步骤5（方法一）：将路径与指令对齐问题视为序列到序列对齐问题，构建全景图序列与地标短语序列的矩阵A，使用VLM（GPT-4o）获取地标在全景图中的二值定位分数，然后通过动态规划算法（Pano2Land）计算路径的归一化对齐分数，类似于最长公共子序列问题。

  • 步骤6（方法二）：直接提示GPT-4o根据全景图序列、原始自然语言指令和提取的地标短语序列，对路径进行1到5的评分，跳过了单独地标定位和Pano2Land算法计算对齐分数的步骤，但性能略低于方法一，且结果可解释性较差。

  • 步骤7：对于每种方法的输出，计算真实路径与最佳对齐路径之间的归一化动态时间规整（nDTW）度量，以评估路径保真度，nDTW比成功率（SR）更符合任务目标，因为SR仅考虑智能体最后位置与真实目标的距离，而不考虑智能体按顺序访问的中间地标。

实验

• 实验设置：在R2R-Habitat数据集的五个环境中进行实验，使用上述两种方法对路径进行排名和选择。

• 实验结果：

  • 路径假设生成准确率：平均准确率为65.72%，表明在大多数情况下，真实路径或高度相似的路径能够被选为路径假设之一。

  • nDTW分数：方法一的平均nDTW分数为88.92%，方法二为88.34%，且方法一的成功率（nDTW分数高于87%）更高，说明方法一在路径与指令对齐方面表现更好。

  • 标准差：两种方法的标准差均较小，表明结果具有一定的稳定性。

讨论与未来工作

• 局限性：

  • 该方法仅适用于之前探索过的环境，并且需要拓扑地图。

  • 当自然语言指令不是基于地标，而是包含大量空间和时间短语、动作短语以及绝对距离时，该方法可能不适用。

  • 由于管道是模块化的，不是端到端训练的，因此早期阶段（如LLM地标提取和VLM检索）的缺点会传播到后续阶段的Pano2Land对齐或GPT-4o排名中，路径假设的质量最终决定了GPT-4o或其他VLM计算的排名上限。

• 未来工作：可以通过对现有的VLMs在导航任务上进行微调，以及将智能体的探索和导航部分无缝整合，使其能够在以前未见过的环境中部署，从而实现性能提升。