技术摘要：CLOSER-VLN

问题陈述

随着大语言模型（LLM）和多模态大语言模型（MLLM）的集成，视觉语言导航（VLN）取得了显著进展，使智能体能够在无需特定任务训练的情况下，遵循自然语言指令在未知环境中进行导航。然而，现有的零样本（zero-shot）VLN 方法主要依赖于一种开环决策执行方法（open-loop decision-execution approach）。在这种范式下，智能体根据指令和观测生成候选动作并立即执行，缺乏显式的执行前验证。

这种开环策略在空中 VLN（例如，城市环境中的无人机导航）中显得尤力脆弱。与地面场景不同，空中导航涉及更长的飞行距离、更广的操作覆盖范围以及更严格的可靠性要求。中间步骤的微小误差会迅速累积，导致严重的轨迹偏差并最终丢失目标。此外，虽然检索增强生成（RAG）已被应用于具身智能体以补充知识，但现有方法通常将检索作为一种通用的上下文增强手段，在推理之前或期间使用。它们很少将检索与动作验证相结合，以确定何时动作不可靠以及如何对其进行修正。因此，当前的方法缺乏一种机制，能够在错误影响智能体状态之前检测并纠正错误。

方法论：CLOSER 与 CLOSER-VLN

为了解决这些局限性，作者提出了闭环自验证检索增强推理（CLOSER），这是一种无需训练策略的方法，它将导航转化为一个受限的、迭代的闭环过程。基于此，他们实例化了 CLOSER-VLN，一个专门为空中 VLN 任务设计的框架。

核心工作流

CLOSER-VLN 不仅仅执行预测的第一个动作，而是在每个环境步骤之前执行一个动作推理 $\rightarrow$ 可靠性验证 $\rightarrow$ 定向检索 $\rightarrow$ 动作修正的序列。该循环持续进行，直到动作被接受或达到最大迭代限制（$K_{max}$）。

该框架由三个专门的组件组成：

1. 分层推理器（Hierarchical Reasoner）：

   • 充当动作生成模块。
   • 以阶段级子指令、环境描述、视觉输入（用于导航/搜索的示意认知地图；用于定位的原始观测）以及检索到的知识作为输入。
   • 生成候选动作及其理由（rationale）。
   • 跨越三个任务阶段运行：导航（接近目标区域）、搜索（识别目标节点）和定位（精细坐标预测）。

2. 多维动作验证器（Multidimensional Action Verifier）：

   • 作为闭环把关者，评估动作的可靠性。
   • 针对导航和搜索： 使用经过微调的 Qwen3-VL-8B 模型从三个维度进行评估：
     • 指令一致性： 动作是否符合语言指令？
     • 视觉一致性： 动作是否基于语义认知地图？
     • 路径可行性： 动作是否避免了回溯或飞出边界？
   • 针对定位： 采用启发式几何检查，确保预测的目标坐标落在距离当前位置有效的距离阈值（$\tau_{dist} = 50m$）之内。
   • 训练策略： 验证器通过两个阶段进行训练：首先是通过监督微调（SFT）学习基础逻辑，随后是使用具有非对称奖励函数的群体相对策略优化（GRPO）。这种奖励结构严厉惩罚假阳性（接受错误的动作），以确保对不可靠决策进行保守的拒绝。

3. 验证触发的多模态检索器（Verification-Triggered Multimodal Retriever）：

   • 与传统的 RAG 不同，检索并非无条件执行。它仅在验证器拒绝候选动作时才被触发。
   • 一旦被拒绝，系统会分析错误（例如，具体的失败维度）以生成定向查询。
   • 它从阶段对齐的外部知识库（构建自 CityNav 训练集中成功的决策片段）中检索相关的示例。
   • 检索到的示例结合错误分析，反馈给推理器，以便在下一次迭代中优化决策。

有界推理

为了防止无限循环，系统设置了最大迭代次数（$K_{max} = 3$）。如果在此限制内未接受任何动作，则执行最后一次迭代中的最终候选动作作为兜底方案。

核心贡献

1. CLOSER 框架： 提出了一种用于 VLN 的闭环决策修正方法，通过引入执行前的可靠性验证，并在验证失败时触发定向检索，解决了开环系统中难以检测错误的问题。
2. CLOSER-VLN 实现： 将 CLOSER 方法适配于空中 VLN，引入了有界的闭环过程，以提高在未知城市场景中的可靠性。
3. 专门化组件： 设计了多维动作验证器（通过 GRPO 训练以实现高拒绝精度）和验证触发的多模态检索器。这些组件协同工作，以识别不可靠动作，并利用阶段对齐的外部示例进行修正。
4. 实证验证： 在 CityNav 基准测试上展示了显著的性能提升，验证了闭环推理相对于开环基准方法的有效性。

实验结果

实验在 CityNav 基准测试（Test Unseen、Validation Unseen 和 Validation Seen 切分集）上进行。

• 性能增益： 在 Test Unseen 切分集上，CLOSER-VLN 实现了 32.01% 的成功率（SR） 和 21.28% 的路径长度加权成功率（SPL）。
  • 与表现最好的零样本基准模型 GeoNav 相比，其 SR 实现了 23.6% 的相对提升，SPL 实现了 32.8% 的相对提升。
  • 它还超越了监督学习基准（如 FlightGPT）和其他零样本方法（如 GPT-4o、Greedy）。
• 难度等级： 该方法在 Easy、Medium 和 Hard 难度级别上均表现出持续的改进，其中在需要长距离规划和精确地标定位的 Hard 任务中观察到了最显著的增益（53.3% 的相对 SR 提升）。
• 消融研究：
  • 移除验证器会导致 SR 降至 29.24%。
  • 使用“始终简单检索”（无论验证与否每步都进行检索）实际上降低了性能（SR 26.96%），这是由于无关信息的噪声造成的。
  • 完整的系统（验证器 + 自适应检索）才能达到最优结果，证实了验证与定向知识补充之间的协同效应。
• 迭代分析： 性能在 $K_{max}=3$ 时达到顶峰。当迭代增加到 4 次时，由于错误检索查询引入的噪声，性能开始下降。

重要性与主张

论文声称 CLOSER-VLN 有效解决了空中导航中误差累积的关键局限。通过从“预测并执行”范式转向“推理-验证-检索-修正”循环，该系统可以：

• 在改变智能体状态之前检测并纠正不可靠的动作。
• 仅在必要时动态补充缺失的知识，从而避免无差别检索带来的噪声。
• 在无需训练特定任务导航策略的情况下，在未见的城市环境中实现鲁棒的泛化。

作者强调，多维验证器对于安全至上的应用至关重要，因为它能防止智能体盲目执行幻觉或几何无效的动作。结果表明，闭环推理显著增强了具身智能体在复杂、长程任务中的可靠性，在这些任务中，单步错误可能是灾难性的。

注：论文承认了一些局限性，例如验证器偶尔无法检测复杂的几何边界（导致接受时的假阳性），并建议未来的工作包括通过增量微调优化验证器，以及探索群体序列策略优化（GSPO）。