BIT-Nav：用于实体导航的受大脑启发的轨迹记忆

用于实体导航的视觉语言模型（VLM）依赖于从不断增长的轨迹历史中选择固定数量的帧。随着剧集的延长，这种选择变得越来越稀疏，但之前的工作表明，从 8 帧扩展到 64 帧时，精度没有提高，这表明瓶颈不是帧数量，而是表示本身。稀疏帧选择无法捕获长视野推理所需的结构化行为信号：转弯模式、累积位移和路径拓扑。我们引入了 BIT-Nav（脑启发轨迹记忆导航），这是一个框架，可以通过紧凑的学习轨迹记忆来增强冻结的 VLM 导航管道。受海马路径整合的推动，空间体验被压缩成结构化的情景轨迹，而不是存储为原始感官重放，BIT-Nav 通过共享相同行为意图的轨迹前缀上的多正 InfoNCE 对比目标，训练 Bi-GRU 编码器的动作和相对姿势序列。由此产生的嵌入通过轻量级 MLP 投影到 VLM 词元空间中，并在每个决策步骤中作为单个内存词元注入，以恒定词元成本将模型调节到结构化运动历史，而不管情节长度如何