Resumo Técnico: CLOSER-VLN

Definição do Problema

A Navegação de Linguagem-Visão (VLN) avançou significativamente com a integração de Grandes Modelos de Linguagem (LLMs) e Modelos de Linguagem de Grande Escala Multimodais (MLLMs), permitindo que agentes sigam instruções de linguagem natural em ambientes não vistos sem treinamento específico para a tarefa. No entanto, os métodos existentes de VLN zero-shot dependem predominantemente de uma abordagem de decisão-execução de malha aberta (open-loop). Neste paradigma, os agentes geram uma ação candidata com base em instruções e observações e a executam imediatamente, carecendo de uma verificação explícita pré-execução.

Esta estratégia de malha aberta é particularmente frágil na VLN Aérea (por exemplo, navegação de UAV em ambientes urbanos). Ao contrário dos cenários baseados em solo, a navegação aérea envolve distâncias de voo mais longas, cobertura operacional mais ampla e requisitos de confiabilidade mais rigorosos. Erros menores em ações intermediárias podem se acumular rapidamente, levando a desvios significatórios de trajetória e eventual perda do alvo. Além da disso, embora a Geração Aumentada por Recuperação (RAG) tenha sido aplicada a agentes incorporados para suplementar o conhecimento, os métodos existentes tipicamente utilizam a recuperação como um potencializador de contexto geral antes ou durante o raciocínio. Eles raramente acoplam a recuperação com a verificação de ação para determinar quando uma ação é não confiável ou como ela deve ser corrigida. Consequentemente, os métodos atuais carecem de um mecanismo para detectar e retificar erros antes que eles impactem o estado do agente.

Metodologia: CLOSER e CLOSER-VLN

Para enfrentar essas limitações, os autores propõem o Closed-loop Self-verified Retrieval-augmented Reasoning (CLOSER), um método livre de política de treinamento que transforma a navegação em um processo iterativo de malha fechada (closed-loop) delimitado. Com base nisso, eles instanciam o CLOSER-VLN, um framework especificamente projetado para tarefas de VLN aérea.

Fluxo de Trabalho Principal

Em vez de executar a primeira ação prevista, o CLOSER-VLN realiza uma sequência de Raciocínio de Ação $\rightarrow$ Verificação de Confiabilidade $\rightarrow$ Recuperação Direcionada $\rightarrow$ Correção de Ação antes de cada etapa do ambiente. Este loop continua até que uma ação seja aceita ou que um limite máximo de iterações ($K_{max}$) seja atingido.

O framework consiste em três componentes especializados:

1. Raciocinador Hierárquico:

   • Atua como o módulo de geração de ação.
   • Recebe subinstruções de nível de estágio, descrições do ambiente, entradas visuais (Mapas Cognitivos Esquemáticos para navegação/busca; observações brutas para localização) e conhecimento recuperado como entrada.
   • Gera uma ação candidata e uma justificativa.
   • Opera através de três estágios de tarefa: Navegação (aproximação de regiões alvo), Busca (identificação de nós alvo) e Localização (predição de coordenadas finas).

2. Verificador de Ação Multidimensional:

   • Atua como o guardião de malha fechada para avaliar a confiabilidade da ação.
   • Para Navegação e Busca: Utiliza um modelo Qwen3-VL-8B ajustado para avaliar três dimensões:
     • Consistência de Instrução: A ação está alinhada com o comando linguístico?
     • Consistência Visual: A ação está fundamentada no mapa cognitivo semântico?
     • Viabilidade de Trajetória: A ação evita retrocessos ou voar fora dos limites?
   • Para Localização: Emprega uma verificação geométrica heurística para garantir que a coordenada do alvo prevista esteja dentro de um limiar de distância válido ($\tau_{dist} = 50m$) da posição atual.
   • Estratégia de Treinamento: O verificador é treinado via um processo de dois estágios: Ajuste Fino Supervisionado (SFT) para aprender a lógica básica, seguido de Otimização de Política Relativa de Grupo (GRPO) com uma função de recompensa assimétrica. Esta estrutura de recompensa penaliza pesadamente Falsos Positivos (aceitar ações erradas) para garantir uma rejeição conservadora de decisões não confiáveis.

3. Recuperador Multimodal Acionado por Verificação:

   • Ao contrário do RAG convencional, a recuperação não é realizada incondicionalmente. Ela é acionada apenas quando o verificador rejeita uma ação candidata.
   • Após a rejeição, o sistema analisa o erro (ex: dimensões específicas de falha) para gerar uma consulta direcionada.
   • Ele recupera exemplares relevantes de uma base de conhecimento externa alinhada ao estágio (construída a partir de fragmentos de decisões bem-sucedidas no conjunto de treinamento CityNav).
   • O exemplar recuperado, combinado com a análise de erro, é enviado de volta ao raciocinador para refinar a decisão na próxima iteração.

Inferência Delimitada

Para evitar loops infinitos, o sistema define um número máximo de iterações ($K_{max} = 3$). Se nenhuma ação for aceita dentro deste limite, o último candidato da última iteração é executado como um fallback.

Principais Contribuições

1. Framework CLOSER: Propõe um método de correção de decisão em malha fechada para VLN que introduz a verificação de confiabilidade antes da execução e aciona a recuperação direcionada apenas após a falha de verificação, abordando a dificuldade de detecção de erros em sistemas de malha aberta.
2. Implementação CLOSER-VLN: Adapta o método CLOSER para VLN aérea, introduzindo um processo de malha fechada delimitado para melhorar a confiabilidade em cenários urbanos não vistos.
3. Componentes Especializados: Desenvolve um Verificador de Ação Multidimensional (treinado com GRPO para alta precisão de rejeição) e um Recuperador Multimodal Acionado por Verificação. Estes componentes colaboram para identificar ações não confiáveis e realizar correções usando exemplares externos alinhados ao estágio.
4. Validação Empírica: Demonstra melhorias significativas de desempenho no benchmark CityNav, validando a eficácia do raciocínio em malha fechada sobre os baselines de malha aberta.

Resultados Experimentais

Os experimentos foram conduzidos no benchmark CityNav (divisões Test Unseen, Validation Unseen e Validation Seen).

• Ganhos de Desempenho: Na divisão Test Unseen, o CLOSER-VLN alcançou uma Taxa de Sucesso (SR) de 32,01% e um Sucesso ponderado pelo Comprimento do Caminho (SPL) de 21,28%.
  • Isso representa uma melhoria relativa de 23,6% em SR e uma melhoria relativa de 32,8% em SPL em comparação com o melhor baseline zero-shot, GeoNav.
  • Também superou baselines supervisionados (ex: FlightGPT) e outros métodos zero-shot (ex: GPT-4o, Greedy).
• Níveis de Dificuldade: O método mostrou melhorias consistentes nos níveis Easy, Medium e Hard, com os ganhos mais significativos (melhoria relativa de 53,3% em SR) observados em tarefas Hard, que exigem planejamento de longa distância e ancoragem precisa de marcos.
• Estudos de Ablação:
  • Remover o verificador reduziu o SR para 29,24%.
  • Utilizar "Always Simple Retrieval" (recuperando em cada etapa independentemente da verificação) na verdade degradou o desempenho (SR 26,96%) devido ao ruído de informações irrelevantes.
  • O sistema completo (Verificador + Recuperação Adaptativa) foi necessário para alcançar resultados ótimos, confirmando o efeito sinérgico da verificação e da suplementação de conhecimento direcionada.
• Análise de Iteração: O desempenho atingiu o pico em $K_{max}=3$. Aumentar as iterações para 4 causou declínio no desempenho devido à introdução de ruído de consultas de recuperação errôneas.

Significância e Alegações

O artigo afirma que o CLOSER-VLN aborda efetivamente a limitação crítica de acúmulo de erro na navegação aérea de malha aberta. Ao mudar do paradigma "predizer-e-executar" para um loop de "raciocinar-verificar-recuperar-corrigir", o sistema pode:

• Detectar e corrigir ações não confiáveis antes que elas alterem o estado do agente.
• Suplementar dinamicamente o conhecimento ausente apenas quando necessário, evitando o ruído da recuperação indiscriminada.
• Alcançar generalização robusta em ambientes urbanos não vistos sem treinamento de uma política de navegação específica para a tarefa.

Os autores enfatizam que o verificador multidimensional é crucial para aplicações críticas de segurança, pois evita que o agente execute cegamente ações alucinadas ou geometricamente inválidas. Os resultados sugerem que o raciocínio em malha fechada aumenta significativamente a confiabilidade de agentes incorporados em tarefas complexas de longo horizonte, onde erros de etapa única podem ser catastróficos.

Nota: O artigo reconhece limitações, como a falha ocasional do verificador em detectar limites geométricos complexos (levando a falsos positivos de aceitação), e sugere trabalhos futuros na otimização do verificador via ajuste fino incremental e na exploração de Group Sequence Policy Optimization (GSPO).