StageVLN：用于高效视觉语言导航的空间和轨迹辅助指导

视觉和语言导航 (VLN) 策略越来越多地受益于大型视觉语言模型 (VLM) 提供的强大语义先验。然而，标准动作监督并没有明确鼓励中间表示来保留场景几何形状、相对方向或全局情节进度。在推理中结合深度估计器、显式地图、点云或几何基础模型可以提供此类结构，但会在部署期间引入额外的计算、记忆开销和架构依赖性。我们引入了 StageVLN，这是一个训练框架，它通过特权空间和轨迹指导来塑造导航表示，同时保留原始推理路径。冻结几何基础模型为分层导航器状态提供多级空间指导，而相对航向和专家路线进度目标提供补充的轨迹状态监督。所有辅助组件仅在训练期间使用，并在部署时删除。在未见的 R2R-CE 验证中，StageVLN 使用 4B-参数骨干模型实现了 56.3\% SR 和 51.4\% SPL，无需在推理时使用额外的几何编码器。在 RxR-CE 上，它无需额外的导航训练数据或推理时的几何编码器即可实现 54.3\% SR。