技术摘要：GroundControl —— 通过轨迹一致性不确定性估计预测视觉-语言智能体的导航失败

1. 问题陈述

视觉-语言导航（VLN）智能体通过结合语言理解与视觉定位，已在基准测试中取得了竞争力的表现。然而，基准测试的成功指标（如成功率、成功加权路径长度或 SPL）仅在回合结束时进行评估。它们无法提供一种在失败动态发生过程中进行检测的机制。

在实践中，导航失败通常通过特征性的轨迹级崩溃逐渐显现，例如：

• 振荡（Oscillation）： 在冲突动作之间反复来回移动。
• 停滞（Stagnation）： 在干扰物附近徘徊，却未能取得几何上的进展。
• 低效绕路（Inefficient Detours）： 累积了路径长度，但并未按比例减少与目标的距离。

现有的不确定性代理（例如，动作分布的预测熵、Token 级的置信度）捕捉的是瞬时决策中的歧义，但无法反映生成的轨迹是否仍与向目标迈进的几何进展保持一致。智能体可能在执行一系列导致失败的动作序列时，依然保持着极高的单步置信度。本文认为，具身导航中的不确定性应当反映目标导向动态的轨迹级一致性。

2. 方法论

A. GroundControl：轨迹一致性不确定性估计器

GroundControl 是一个可解释的估计器，它将距离目标距离信号（$d_t$）的演化建模为一个随机动力学过程。它假设成功的导航表现出局部一致的几何进展，而失败模式则会产生统计上可检测的不一致性。

1. 常速卡尔曼滤波器 (KF)：
GroundControl 的核心是将距离目标距离建模为一个动力学信号，使用状态向量 $x_t = [d_t, \dot{d}_t]^\top$，其中 $\dot{d}_t$ 是瞬时变化率。

• 动力学： $x_{t+1} = Fx_t + w_t$（具有常速假设的线性高斯动力学）。
• 观测： $d_t = Hx_t + v_t$。
• 创新（Innovation）： 滤波器计算创新值 $\nu_t = d_t - H\hat{x}_{t|t-1}$，代表观测到的距离与预测距离之间的差异。
• 统计检验： 在标称条件下，归一化创新平方（$\nu_t^2 / S_t$）服从 $\chi^2$ 分布。持续较大的值表示显著偏离了预期的目标导向运动。

2. 每步不确定性得分 ($H_t$)：
GroundControl 将三个互补的轨迹不一致性指标聚合为一个每步得分：
$$H_t \triangleq \lambda_1 \log \det(\Sigma_{t|t} + \epsilon I) + \lambda_2 H(\alpha_t) + \lambda_3 \frac{\nu_t^2}{S_t}$$

• 后验信念离散度： $\log \det(\Sigma_{t|t})$ 衡量滤波器状态估计的不确定性。
• 动作级不稳定性： $H(\alpha_t)$ 是策略对执行动作置信度的伯努利熵。
• 统计偏差： 归一化创新平方项。

3. 回合级不确定性得分 ($U_i$)：
为了获得单个回合的得分，GroundControl 将峰值动力学不一致性与四个全局轨迹特征进行融合：

• 峰值动力学不一致性： $\tilde{s}_{skf}^i = \sigma(\max_t H_t)$，捕捉短暂但显著的偏差。
• 归一化进度 ($f_{prog}$)： 衡量距离目标距离的净减少量不足的情况。
• 单调性 ($f_{mono}$)： 对频繁增加距离的行为进行惩罚（非单调演化）。
• 路径效率 ($f_{eff}$)： 检测相对于累计运动而言的低效绕路。
• 振荡行为 ($f_{osc}$)： 捕捉重复的动作反转。

最终得分采用固定线性融合方式：
$$U_i \triangleq w_{skf}\tilde{s}_{skf}^i + w_{prog}f_{prog}^i + w_{mono}f_{mono}^i + w_{eff}f_{eff}^i + w_{osc}f_{osc}^i$$
较低的 $U_i$ 值表示较高的置信度（一致的轨迹）。

B. 评估协议：选择性风险–覆盖导航 (SRCN)

为了独立于原始任务成功率来评估不确定性质量，作者形式化了选择性风险–覆盖导航 (SRCN) 协议。该协议衡量不确定性得分对失败或低效回合进行排序的有效程度。

• 机制： 回合按升序排列不确定性（$U_i$）。随着阈值 $\tau$ 的增加，高不确定性的回合被逐步排除（弃权），并在保留的子集上评估性能。
• 指标：
  • 选择性风险（Selective Risk）： 保留回合中的经验失败率（或低效率）。
  • 风险–覆盖曲线（Risk–Coverage Curve）： 绘制风险随保留回合比例（覆盖率）变化的曲线。
  • AURC（曲线下面积）： 总结权衡关系；越低越好。
  • E-AURC（超额 AURC）： 相对于真值损失（Oracle lower bound）进行归一化后的结果；$E\text{-}AURC = 0$ 表示完美的排序。
• 损失定义：
  • 基于成功的损失： $\ell_i = 1 - \text{Success}_i$。
  • 基于 SPL 的损失： $\ell_i = 1 - \text{SPL}_i$（惩罚低效的成功轨迹）。

3. 核心贡献

1. 轨迹一致性的形式化： 本文确立了距离目标动态的轨迹级一致性作为 VLN 不确定性估计的基础，超越了瞬时动作熵。
2. GroundControl 框架： 引入了一种轻量级、可解释的估计器，利用卡尔曼滤波器和轨迹描述符来检测偏离标称目标导向运动的统计显著偏差。
3. SRCN 协议： 提出了一种新的评估框架，能够隔离排序质量而不修改底层导航策略，从而实现对异构不确定性估计器的公平比较。
4. 实证验证： 证明了建模偏离目标导向动态可以为预测失败提供鲁棒信号，其表现优于熵、共形（Conformal）及启发式基准。

4. 实验结果

该方法在三个 LLM 后端（GPT-4o, GPT-5-mini, Gemini-1.5-Flash）的五个 EB-Navigation 切分集（基础、常识、复杂指令、视觉外观、长时程）上进行了评估，总计 $N=300$ 个回合。

• 基于成功的排序 (SRCN)：

  • 在基于成功的选择性风险下，GroundControl 实现了接近 Oracle 的排序。
  • 对于 GPT-4o 模型，加权平均 E-AURC$_{SR}$ = 0.0024，显著优于熵、共形及启发式基准。
  • 该优势在**长时程（Long Horizon）**任务中最为明显（此时成功率降至约 16.7%），在这些任务中，熵和共形信号趋近于随机排序，而 GroundControl 仍接近 Oracle。这表明几何进展动态是检测深层时间维度下失败的主导信号。

• 基于 SPL 的排序：

  • 在评估导航效率（低效性）时，GroundControl 在所有模型和切分集中始终保持最低的 AURC 和 E-AURC。
  • 它成功识别了导致低效路径（如徘徊、振荡）的轨迹，且发生在终端失败之前。

• 诊断分析：

  • 分布分离度： GroundControl 为失败轨迹产生了明显的上升趋势不确定性得分，且与成功轨迹的重叠较小，而基准模型显示出显著重叠。
  • 风险–覆盖曲线： 该方法紧密追踪 Oracle 边界，即使在高覆盖水平下也能保持较低的失败率。
  • 相关性： 观察到不确定性得分与回合效率（SPL）之间存在强负相关，表明该估计器捕捉到了执行质量的下降。

5. 重要性与主张

本文主张，轨迹一致性不确定性是比瞬时决策歧义更优越的预测导航失败的信号。通过建模对预期目标导向动态的偏离（使用常速卡尔曼滤波器），GroundControl 提供了一个可解释且鲁棒的信号，能够：

• 在失败（振荡、停滞、发散）发生过程中对其进行检测。
• 实现运行时内省，从而可能在灾难性失败发生前进行主动恢复或停止。
• 跨不同的 VLM 后端和导航切分集进行泛化，包括发生复合误差的挑战性长时程场景。

作者强调，这种方法将不确定性排序的质量从底层导航策略中分离出来，证明了几何观测值（距离目标距离的演化）为可靠部署具身智能体提供了模型无关的基础。