DART-VLN：离散视觉语言导航的测试时内存衰减和反循环正则化

用于离散视觉语言导航（VLN）的基于记忆的代理在部分可观察性下运行，即使具有强大的预训练主干，也可能表现出系统推理时间故障。本文解决了两个反复出现的问题：内存读出期间的陈旧历史证据和动作选择期间低效的本地回溯。我们提出了 DART-VLN，这是一种 无需训练 推理时间框架，它结合了测试时内存衰减（在不修改其存储内容的情况下重新加权过时和冗余内存插槽）和反循环正则化（一种轻量级下一跳惩罚，可阻止立即反转）。 DART-VLN 不引入可学习的参数，并且导航主干保持不变。 R2R 和 REVERIE 上的实验表明，内存衰减可以保留或提高任务性能，同时减少运行时间。反循环正则化的加入进一步缩短了轨迹，减少了局部回溯，并在评估的 GridMM 变体中实现了导航质量和效率之间的最佳整体平衡。这些结果表明，轻量级推理时间控制可以提高基于内存的离散 VLN 的可靠性和效率，而无需重新训练。