LookasideVLN：方向感知空中视觉和语言导航

空中视觉和语言导航 (Aerial VLN) 使无人机 (UAV) 能够遵循自然语言指令并在复杂的城市环境中导航。虽然最近的进展通过大规模内存图和前瞻路径规划取得了进展，但它们仍然受到浅层指令理解和高计算成本的限制。特别是，现有方法主要依赖于地标描述，忽视了方向线索“人类导航中空间背景的关键来源”。在这项工作中，我们提出了 LookasideVLN，这是一种利用自然语言中的方向线索来实现更准确的空间推理和更高的计算效率的新范例。 LookasideVLN 包含三个核心组件：(1) 以自我为中心的 Lookaside Graph (ELG)，动态编码与指令相关的地标及其方向关系；(2) 空间地标知识库 (SLKB)，从先前的导航体验中提供轻量级内存检索；(3) Lookaside MLLM 导航代理，将来自用户指令、视觉观察和来自 ELG 的地标方向信息的多模态信息对齐，以进行路径规划。大量实验表明，即使在单级前瞻的情况下，LookasideVLN 的性能也显着优于最先进的 CityNavAgent，这表明利用方向线索对于空中 VLN 来说是一种强大而高效的策略。