-
作者：Yunpeng Gao, Zhigang Wang, Linglin Jing, Dong Wang, Xuelong Li, Bin Zhao
-
单位：西北工业大学，上海人工智能实验室，中国电信人工智能研究院
-
原文链接：Aerial Vision-and-Language Navigation via Semantic-Topo-Metric Representation Guided LLM Reasoning (https://arxiv.org/pdf/2410.08500)
主要贡献
-
本文首次提出基于大语言模型（LLM）的端到端框架，用于空中视觉语言导航任务，无需训练和额外的低级动作规划器，便于集成。
-
通过分解自然语言指令为多个子目标，促进了逐步推理和导航。设计了一种独特的矩阵表示（STMR），包含拓扑、语义和度量信息，显著增强了LLM在户外环境中的空间感知推理能力。
-
在真实和模拟环境中进行了广泛的实验，证明了所提方法的有效性和鲁棒性，在AerialVLN-S数据集上实现了15.9%和12.5%的OSR提升。
研究背景
研究问题
论文主要解决的问题是无人机（UAV）通过自然语言指令和视觉线索在室外环境中进行导航的任务，即空中视觉语言导航（Aerial Vision-and-Language Navigation, Aerial VLN）。
研究难点
该问题的研究难点包括：
-
室外空中场景的空间关系复杂，现有方法多适用于室内或地面环境，对空中环境的适应性差；
-
现有方法在处理长距离和复杂空间关系时存在困难，容易误解指令或未能捕捉区域间的上下文关系。
相关工作
该问题的研究相关工作有：
-
早期的VLN方法使用序列到序列的LSTM进行低级或高级动作预测；
-
最近的方法利用大语言模型（LLMs）的推理和对话能力取得显著进展，但大多基于地面离散VLN设置，限制了UAV在现实世界中的自由移动空间。
研究方法
论文提出了一种基于大语言模型（LLM）的端到端零样本框架，用于解决空中VLN任务。
语义-拓扑-度量表示（STMR）
提出了一种矩阵表示方法，将指令相关的语义掩码投影到包含周围地标位置信息的俯视图中，并将其转换为包含距离度量的文本提示，输入到LLM中进行动作预测。
2D视觉感知
使用Grounding DINO和Tokenize Anything模型进行视觉感知，生成2D语义掩码和描述。
子目标驱动的俯视图
将语义掩码映射到3D空间，并转换为俯视图，记录无人机的位置作为航点。
矩阵表示
将俯视图处理成20x20的坐标网格，并应用语义最大池化，生成包含语义、拓扑和度量信息的矩阵表示。
LLM规划
设计了格式化的文本提示和动作空间，输出当前的想法和行动。提示包括任务描述、历史记录、地图和计划，利用Chain-of-Thought推理进行逐步规划和动作预测。
实验设计
数据集
使用AerialVLN-S数据集进行实验，该数据集模拟了真实世界的城市环境，包含超过870种不同的对象和各种场景，如市中心、工厂、公园和村庄。数据集包含8446条由经验丰富的UAV飞行员记录的飞行路径。
评估指标
使用导航误差（NE）、成功率（SR）和Oracle成功率（OSR）作为评估指标：
-
导航误差衡量UAV停止点与实际目的地之间的距离，
-
成功率衡量成功到达目的地的导航比例，
-
Oracle成功率考虑轨迹上任何接近目的地的点都视为成功。
实现细节
论文方法在模拟器（Airsim和UE4）和真实环境中验证。
模拟器在Intel i9第12代CPU和Nvidia RTX 4090 GPU的笔记本电脑上运行。
真实环境测试在一架搭载Intel RealSense D435i深度相机和NVIDIA Jetson Xavier NX的Q250无人机上进行。
结果与分析
模拟器定量结果
与几种其他方法相比，提出的方法在大多数指标上显著优于其他方法。例如，在valid-unseen上，提出的方法在OSR上提高了23.0%，在SR上提高了19.4%。
在模拟器中，最常见的失败原因是错误的规划或执行，包括对模糊指令的误解和视觉感知器的不准确性。
真实环境定量结果
在真实环境中收集的10个户外场景中，提出的方法成功导航，表现优于大多数基于LLM的VLN方法。
总结
论文提出了一种基于LLM的端到端框架，用于解决空中VLN任务，通过引入语义-拓扑-度量表示（STMR）显著增强了LLMs的空间推理能力。
实验结果表明，提出的方法在AerialVLN-S数据集上取得了最先进的成果，展示了其有效性。
