从语义基础到决策优化：长视距无人机视觉语言导航的统一框架

无人机视觉语言导航 (UAV-VLN) 专注于使空中智能体能够通过以自我为中心的视觉观察，在开放 3D 环境中遵循自然语言指令。当前的方法面临三个耦合问题：视觉观察中与指令相关的地标的基础薄弱，对长期历史的利用不足，以及局部陷阱或重复探索下的不稳定决策。为了解决这些问题，我们提出了一个统一的语义到决策框架。首先，我们提出了一个基于指令的语义增强模块，它将对象级语义和相对空间线索注入当前的观察状态。随后，我们开发了一种相关性感知动态时间聚合策略，该策略重新加权完整历史缓冲区，同时将一些高相关性帧转换为解码器的结构化地标提示。最后，我们设计了一种拓扑感知决策方法，将局部最优认知与进度、目标、语义和路径合规奖励下的群体相关策略优化相结合。在广泛使用的 AerialVLN 和 OpenFly 基准上进行的实验清楚地表明，我们的方法实现了最先进的性能。