论文
解析、搜索和确认：具有思想链推理和结构化空间记忆的 无需训练 空中视觉和对话导航
Parse, Search, and Confirmation: Training-Free Aerial Vision-and-Dialog Navigation with Chain-of-Thought Reasoning and Structured Spatial Memory
摘要
在本文中，我们在 无需训练 设置中解决了空中视觉与对话导航（AVDN）任务，以实现资源高效的高空无人机导航。由于方向与视觉位置的对应薄弱和缺乏显式空间记忆，天真地应用 MLLM 会导致导航不可靠。为了解决这些问题，我们提出了 PSC-AVDN，这是一个 无需训练 框架，它紧密耦合了三阶段解析-搜索-确认具有结构化空间记忆（SSM）的推理管道。解析阶段使用 LLM 将模糊的对话指令转换为稳定的几何方向和目的地线索。然后，搜索思维链（S-CoT）在高空观测下执行逐步目标探索，确认思维链（C-CoT）围绕候选区域进行细粒度验证，以解决视觉模糊性。同时，SSM集成了三个互补的空间线索来源，包括多尺度视觉观察、空间视觉记忆和结构化几何记忆，以提供全局空间上下文和长视野一致性。对 ANDH 和 ANDH-Full 的大量实验表明，PSC-AVDN 在 无需训练 设置中建立了新的最先进的性能，匹配或超越了几种微调方法。代码将公开在：https://github.com/QY6616/PSC-AVDN