文章來源：視覺語言導(dǎo)航。

• 作者： Xin Ding , Jianyu Wei , Yifan Yang , Shiqi Jiang , Qianxi Zhang , Hao Wu , Fucheng Jia , Liang Mi , Yuxuan Yan , Weijun Wang , Yunxin Liu , Zhibo Chen , Ting Cao

• 單位： 中國科學(xué)技術(shù)大學(xué)， 微軟研究院， 南京大學(xué)， 中南大學(xué)， 浙江大學(xué)， 清華大學(xué)人工智能產(chǎn)業(yè)研究院

• 論文標(biāo)題：AdaNav: Adaptive Reasoning with Uncertainty for Vision-Language Navigation

• 論文鏈接：https://arxiv.org/pdf/2509.24387v1

• 代碼鏈接：https://github.com/xinding-sys/AdaNav

• 提出基于不確定性的自適應(yīng)推理框架了 AdaNav ，通過引入不確定性自適應(yīng)推理塊（UAR Block）和啟發(fā)式到強化學(xué)習(xí)（Heuristic-to-RL）的訓(xùn)練機制，使智能體能夠在導(dǎo)航過程中根據(jù)需要動態(tài)地觸發(fā)推理，解決了固定步長推理導(dǎo)致的性能次優(yōu)和計算開銷問題。

• 在僅使用 6K訓(xùn)練樣本 的情況下，AdaNav在多個基準(zhǔn)測試中取得了顯著的性能提升，超過了使用百萬級數(shù)據(jù)訓(xùn)練的閉源模型。例如，在R2R val-unseen上成功率提高了20%，在RxR-CE上提高了11.7%，在真實世界場景中提高了11.4%。

• 該框架使 推理更加困難感知和模式自適應(yīng) ，隨著訓(xùn)練的進行，推理步驟更加集中在困難的軌跡上，且推理模式的選擇也更加合理，同時減少了平均推理步數(shù)，提高了效率。

• 視覺語言導(dǎo)航（VLN）要求智能體能夠理解自然語言指令，并將其與連續(xù)的視覺觀察相結(jié)合，以執(zhí)行長期的導(dǎo)航軌跡?，F(xiàn)有的基于視覺語言模型（VLM）的方法存在兩個主要挑戰(zhàn)：一致的時間對齊和穩(wěn)健的感知-動作映射。

• 為了應(yīng)對這些挑戰(zhàn)，以往的研究引入了顯式推理，但固定步長的推理不僅計算開銷大，還會導(dǎo)致過度思考，降低導(dǎo)航質(zhì)量。理想的VLN智能體應(yīng)該能夠自適應(yīng)地推理，即根據(jù)需要決定何時以及如何推理，但實現(xiàn)這種自適應(yīng)性并緩解大語言模型（LLM）的過度自信問題通常需要大量的特定任務(wù)數(shù)據(jù)進行監(jiān)督微調(diào)，而這些數(shù)據(jù)收集成本高昂。

• 環(huán)境與動作空間 ：考慮一個標(biāo)準(zhǔn)的VLN設(shè)置，智能體被放置在一個3D環(huán)境 中，具有狀態(tài)空間 和動作空間 ，其中 和 分別表示角度和距離。

• 任務(wù)目標(biāo) ：給定自然語言指令 和連續(xù)的視覺觀察 ，智能體需要執(zhí)行一個軌跡 ，以達到由指令 隱式指定的目標(biāo)狀態(tài) ，目標(biāo)是最大化任務(wù)成功率：

  其中， 是指示函數(shù)，表示最終狀態(tài)是否為目標(biāo)狀態(tài)。

• 推理模式與內(nèi)容 ：為了提高VLN在長期和復(fù)雜環(huán)境中的性能，允許智能體在每一步 進行顯式推理，推理模式變量 ，其中 表示不進行推理， 是預(yù)定義的推理模式集合（如描述、總結(jié)、錯誤糾正）。推理內(nèi)容為 。

• 聯(lián)合策略 ：智能體的策略由兩部分組成：

• 1. 導(dǎo)航策略 ：根據(jù)導(dǎo)航相關(guān)的歷史信息 、指令 和之前的推理內(nèi)容 決定動作 。

  2. 推理策略 ：決定何時進行推理（通過 或 ）以及使用哪種推理模式（通過 ）。

• 整體策略 ：聯(lián)合策略為：

  其中， 表示完整的導(dǎo)航和推理歷史信息。

• 優(yōu)化目標(biāo) ：通過聯(lián)合優(yōu)化導(dǎo)航和推理策略，目標(biāo)是最大化任務(wù)性能，同時保持計算效率：

  其中， 同時考慮導(dǎo)航成功（如進度或成功指標(biāo)）和推理調(diào)用引起的延遲懲罰。

• 自適應(yīng)推理需要智能體能夠選擇性地決定何時推理有益以及調(diào)用哪種模式。然而，現(xiàn)有的大語言模型（LLM）對任務(wù)難度不敏感，容易過度自信。

• 在LLM研究中，通過監(jiān)督微調(diào)引入高質(zhì)量的推理痕跡可以緩解這一問題。但對于具身智能體，收集這樣的高質(zhì)量交互痕跡成本過高。

• 因此，AdaNav提出了一種替代方法，利用可解釋的不確定性信號動態(tài)觸發(fā)推理，無需依賴大規(guī)模推理監(jiān)督。

• 動作熵作為不確定性度量 ：受語言推理中高熵token對單步文本生成影響較大的啟發(fā)，定義動作熵 作為不確定性度量：

  其中， 是生成的token數(shù)量， 是詞匯表大小， 是時間步 時詞匯表中第 個token的概率。

• 動作熵的有效性驗證 ：通過診斷研究發(fā)現(xiàn)，失敗的軌跡具有高且持續(xù)的動作熵，而成功的軌跡保持較低的動作熵。單獨的即時動作熵不足以預(yù)測失敗，但結(jié)合歷史動作熵趨勢和當(dāng)前動作熵狀態(tài)可以提供更可靠的信號 。

• UAR Block設(shè)計 ：UAR Block結(jié)合歷史動作熵 和當(dāng)前觀察 ，形成推理相關(guān)信息 ，并將其轉(zhuǎn)化為緊湊的控制向量：

  直接參數(shù)化推理模式的logits。從這個向量中，模式選擇策略為：

• 基于不確定性的先驗 ：在冷啟動階段，由于RL策略尚未學(xué)會有意義的模式選擇，因此使用基于不確定性的先驗初始化訓(xùn)練。直觀上，較高的熵表示較高的不確定性，需要更強的推理。計算標(biāo)量熵分?jǐn)?shù)為過去熵的均值 ，并將其映射到包含“無推理”選項的推理模式上的軟先驗分布：

  其中， 是模式特定的熵閾值， 控制先驗的平滑度。

• 啟發(fā)式到RL的過渡 ：為了逐漸從啟發(fā)式先驗轉(zhuǎn)移到學(xué)習(xí)到的RL策略，將先驗分布與模型預(yù)測融合為：

  其中， 從1逐漸衰減到0，允許RL策略 逐漸接管啟發(fā)式先驗 。因此，模式選擇策略可以表示為：

• 獎勵設(shè)計 ：首先定義推理成本為基于相對推理長度的歸一化懲罰：

  其中， 是當(dāng)前步的推理長度， 是成功樣本組中最短的生成長度， 是一個常數(shù)懲罰窗口。

• 導(dǎo)航目標(biāo)獎勵 ：采用基于距離減少的常見外在獎勵，即時獎勵定義為 ，其中 表示從當(dāng)前狀態(tài) 到目標(biāo)位置 的測地線距離。

• 整體任務(wù)獎勵 ：將外在獎勵和推理成本結(jié)合起來，整體任務(wù)獎勵定義為折扣累積回報：

  其中， 是折扣因子，控制未來獎勵的權(quán)重。這種獎勵設(shè)計鼓勵智能體高效地向目標(biāo)導(dǎo)航，同時避免不必要的推理開銷。

• 基礎(chǔ)模型 ：選擇兩個開源的VLN模型NAVID和NAVILA作為基礎(chǔ)模型，AdaNav被集成到這些模型中。

• 訓(xùn)練數(shù)據(jù) ：從R2R和RxR的訓(xùn)練集中隨機采樣3000個episode進行訓(xùn)練。

• 硬件配置 ：使用4塊NVIDIA RTX A100 GPU進行訓(xùn)練。

• 基準(zhǔn)測試 ：在R2R和RxR的val-unseen分割上評估導(dǎo)航性能，并在ScanQA驗證集上評估空間場景理解能力。

• VLN-CE基準(zhǔn)測試 ：與使用百萬級數(shù)據(jù)訓(xùn)練的閉源模型相比，AdaNav在僅使用6K訓(xùn)練樣本的情況下，成功率顯著提升。具體來說，在R2R val-unseen上成功率提高了20%，在RxR-CE val-unseen上提高了14.6%。

• 跨數(shù)據(jù)集評估 ：在僅使用R2R數(shù)據(jù)訓(xùn)練的情況下，AdaNav在RxR val-unseen上的零樣本評估中表現(xiàn)優(yōu)異，超過了所有閉源基線模型，展示了強大的泛化能力。

• 空間場景理解 ：在ScanQA驗證集上，AdaNav不僅保持了基礎(chǔ)模型的通用場景理解能力，還略有提升，表明其在推理訓(xùn)練后增強了魯棒性和泛化能力。

• 真實世界評估 ：在真實世界環(huán)境中，使用25個樣本或復(fù)雜指令進行實驗，AdaNav在會議室、家庭和辦公室三種環(huán)境中的成功率顯著提高，平均成功率提升了約11.4%。

• 訓(xùn)練數(shù)據(jù)規(guī)模 ：分別使用2K、4K和6K訓(xùn)練數(shù)據(jù)進行訓(xùn)練，觀察UAR Block的行為變化。

• 推理調(diào)用分析 ：統(tǒng)計推理調(diào)用的頻率、分布以及不同推理模式（描述、總結(jié)、錯誤糾正）的使用情況。

• 任務(wù)難度分類 ：根據(jù)基礎(chǔ)模型的成功與否將任務(wù)分為“容易”和“困難”兩類，分析UAR Block在不同難度任務(wù)中的推理觸發(fā)行為。

• 推理頻率 ：隨著訓(xùn)練數(shù)據(jù)的增加，模型傾向于減少推理調(diào)用的頻率，將推理集中在關(guān)鍵時刻，從而平衡效率和效果。

• 推理模式選擇 ：在后期步驟中，模型更傾向于使用總結(jié)和錯誤糾正模式，顯示出基于任務(wù)上下文的自適應(yīng)模式選擇能力。

• 任務(wù)難度響應(yīng) ：在基礎(chǔ)模型失敗的任務(wù)（即“困難”任務(wù)）中，推理調(diào)用的頻率顯著增加，表明UAR Block能夠自適應(yīng)地將推理能力分配給更具挑戰(zhàn)性的場景。

• 去除UAR Block ：推理以固定步長（例如每5步）或隨機方式觸發(fā)，不使用自適應(yīng)控制。

• 去除啟發(fā)式先驗 ：僅依賴強化學(xué)習(xí)從頭開始訓(xùn)練，不使用基于不確定性的啟發(fā)式先驗。

• 去除強化學(xué)習(xí)微調(diào) ：僅使用啟發(fā)式信號指導(dǎo)推理觸發(fā)，不進行進一步的策略優(yōu)化。

• 去除UAR Block ：性能顯著下降，表明自適應(yīng)推理控制對于提升導(dǎo)航性能至關(guān)重要。

• 去除啟發(fā)式先驗 ：訓(xùn)練初期性能較差，說明啟發(fā)式先驗為訓(xùn)練提供了有效的初始引導(dǎo)。

• 去除強化學(xué)習(xí)微調(diào) ：性能不如完整AdaNav，表明強化學(xué)習(xí)微調(diào)能夠進一步優(yōu)化推理策略，提升性能。

• 關(guān)鍵超參數(shù) ：主要分析模式特定的熵閾值 和平滑因子 。

• 實驗設(shè)置 ：分別測試不同的 （如80%、85%、90%）和 值，觀察對性能的影響。

• 熵閾值 ：較低的 值（如80%）在訓(xùn)練初期提供了更寬松的推理觸發(fā)條件，有助于模型更快地學(xué)習(xí)推理模式。隨著 的增加，模型需要更高的不確定性才會觸發(fā)推理，從而提高了推理的效率。

• 閾值增量 ：適當(dāng)?shù)? 值能夠平衡不同推理模式之間的觸發(fā)條件，使模型能夠根據(jù)任務(wù)難度靈活選擇推理模式。

• 平滑因子 ：較大的 值使先驗分布更加平滑，有助于模型在不同推理模式之間平滑過渡，但過大的 可能導(dǎo)致模型對不確定性信號不夠敏感。

• 結(jié)論 ：

• • AdaNav通過結(jié)合可解釋的啟發(fā)式先驗和最優(yōu)的強化學(xué)習(xí)，提供了一種可擴展的、自適應(yīng)的推理方法，無需依賴昂貴的標(biāo)記推理數(shù)據(jù)，即可在具身任務(wù)中實現(xiàn)高效的、困難感知的和模式自適應(yīng)的推理。

  • 該方法在多個基準(zhǔn)測試和真實世界部署中都表現(xiàn)出色，為具身智能體的推理能力提升提供了一個有前景的方向。

• 未來工作 ：

• • 可以進一步探索如何在更復(fù)雜的環(huán)境和任務(wù)中應(yīng)用和優(yōu)化AdaNav，例如在多智能體交互場景中實現(xiàn)自適應(yīng)推理，或者將該框架擴展到其他需要推理的具身任務(wù)中。

  • 此外，還可以研究如何進一步提高推理的效率和準(zhǔn)確性，以及如何更好地利用有限的數(shù)據(jù)來訓(xùn)練更強大的推理模型。