MemVLN：用于视觉和语言导航的情景和程序记忆

连续环境中的视觉和语言导航（VLN-CE）要求智能体保持长视野视觉历史记录，以保证轨迹一致性，同时以低延迟执行操作。现有的基于视频的 VLN 方法通常很难同时满足这两个需求。为了应对这些挑战，我们提出了 MemVLN，这是一种新颖的 VLN 框架，可实现最先进的性能和实时推理效率（14 FPS）。 MemVLN 利用视觉编码器来处理连续观察结果，并利用 大语言模型 (LLM) 来解释指令并生成操作。我们方法的核心是应用金字塔分辨率的情景记忆管理。这种机制将计算集中在即时感知上，同时保留压缩的长期历史记录。作为对这种设计的补充，我们引入了用于快速操作的程序内存，以及原子中级操作的紧凑词汇表，以绕过自动回归解码延迟。 VLN-CE 上的实验表明，MemVLN-4B 超越了基准 Qwen3-VL-4B 架构，R2R 中的 SR 提高了 5.8%，RxR 中的 SR 提高了 9.7%，同时推理延迟实现了 7$\times$ 的加速。