导航智能体不再重复已走过的指令：把执行进度和决策绑在一起，R2R成功率提高3个百分点
核心概要
视觉语言导航智能体此前把整条指令与候选路径做全局粗匹配，已经执行过的内容会继续干扰后续决策。VLN-AIEP把执行进度估计与导航决策耦合：先用已走轨迹抑制已执行指令的嵌入，再让候选位置只与待执行内容匹配，因此进度估计可以直接从导航决策标签学习，不需要显式的进度标注。在R2R、RxR、CVDN和R2R-CE四个数据集上，该方法在多个指标上取得有竞争力的结果，例如R2R val-unseen成功率77%，比PRET高3个百分点。
深度剖析
导航智能体在每一步只与指令中尚未执行的部分匹配，而不是把整条指令与候选路径整体比对，从而避免已完成的步骤继续影响当前决策。 此前的图式方法把完整候选轨迹与整条指令做全局粗匹配，已执行内容会干扰后续判断，例如让智能体把“左转”执行两次。 在R2R上，val-seen、val-unseen和test-unseen的成功率分别为81%、77%和74%，比PRET分别高3、3和2个百分点。
执行进度不再需要单独的标注或额外的学习阶段，而是由导航决策的损失直接监督。 传统进度监视器用归一化目标距离作监督，后续方法则依赖人工标注、自动生成的对齐数据、专门的进度学习阶段，或在线调用大模型反复推理。 在RxR上，val-seen和val-unseen成功率分别为85.9%和74.5%，比PRET高6.6和1.7个百分点；在R2R-CE val-unseen上，导航误差4.39、OSR 68%、SR 60%、SPL 50%，在相同路点预测器下SR和OSR比ETPNav高3个百分点。
轨迹表示以指令提到的地标为空间锚点，把地标的语义标签和相对视角的几何信息编码进全景特征，帮助把已走轨迹与已执行的指令内容对应起来。 此前地标多用作物体线索、监督目标或离散的进度状态，没有作为轨迹证据用于进度估计。 在R2R val-unseen的消融中，加入地标使成功率提高2.38个百分点、SPL提高1.91个百分点；地标锚定的掩码语言建模使成功率提高4.08个百分点、SPL提高1.96个百分点。
启示与展望
该方法在R2R、RxR、CVDN和R2R-CE四个数据集上验证，覆盖离散图环境与连续环境，其中R2R-CE使用与ETPNav相同的路点预测器。适合关注视觉语言导航、长程指令跟随和具身智能体的研究人员与工程师阅读。
在CVDN上，val-unseen的GP为6.44，高于NaviLLM的6.16，但test-unseen为6.90，低于NaviLLM的7.90。终止重思策略只带来0.41个百分点的成功率提升，属于辅助性改进。零样本方法DiscussNav、Open-Nav和Fast-SmartWay只在部分划分上报告结果，仅作参考，未与本文方法直接比较。