TARIC：中断语义提示下的记忆增强可遍历性感知户外 VLN

远距离、开放世界环境中的户外视觉语言导航 (VLN) 经常受到语义提示中断的干扰，其中信息丰富的目标提示变得稀疏、被遮挡或离开视野。一旦这些线索消失，智能体就会进入无线索阶段，并经常陷入回溯、振荡标题或漫无目的的探索。虽然基于记忆的方法试图弥合这些差距，但它们经常在可遍历性驱动的弯路中失败：记住的提示方向可能不可行，迫使弯路延长无提示阶段，并逐渐使以机器人为中心的提示变得陈旧，隐含的历史变得模糊。这使得可通行性成为维持目标导向引导的稳定条件，而不仅仅是局部安全问题。我们提出了一个统一的室外 VLN 框架，该框架通过在长时间的无提示阶段保持可遍历性一致的可执行指导来应对语义提示中断。具体来说，我们的方法从可见性门控目标或探索线索中提取语义轴承，并使用实时近场可遍历性配置文件将它们转化为可执行标题，提供目标一致的可行指导，超越仅拒绝的安全过滤。为了防止绕道期间的指导退化，我们将间歇性的 2D 证据提升到具有不确定性感知读出机制的与世界一致的 3D 提示存储器中，确保在机器人移动时指导保持持续可达和稳定。我们在 600--1000 m 路线的四足和轮式平台上评估该框架。我们的方法将模拟成功率比最强基线提高了 10 个百分点以上，并实现了 40% 的现实世界成功率，而最强基线为 17.5%，在长时间的无提示间隔期间具有显着更高的鲁棒性。