AAAI-2024 | 大语言模型赋能导航决策！NavGPT：基于大模型显式推理的视觉语言导航

作者：Gengze Zhou, Yicong Hong, Qi Wu
单位：阿德莱德大学，澳大利亚国立大学
论文链接： NavGPT: Explicit Reasoning in Vision-and-Language Navigation with Large Language Models （https://ojs.aaai.org/index.php/AAAI/article/download/28597/29161）
代码链接： https://github.com/GengzeZhou/NavGPT

主要贡献

论文提出了基于大模型（LLM）的视觉语言导航（VLN）模型NavGPT，能够处理多模态输入、不受限制的语言指导、与开放世界环境的交互以及使用导航历史进行进度跟踪。
展示了LLMs在导航中的高层规划能力，包括将指令分解为子目标、整合与导航任务相关的常识知识、从观察到的环境中识别地标、持续监控导航进度以及通过计划调整应对异常情况。
通过观察LLMs的思考过程，使得导航智能体的规划过程变得可访问和可解释。
通过一系列实验，证明了LLMs能够执行复杂的导航规划，并且能够在导航历史的基础上生成高质量的导航指令和准确的俯视度量轨迹。

研究背景

研究问题

论文主要解决的问题是如何利用大模型（LLMs）进行视觉和语言导航（VLN），即LLMs在零样本情况下进行视觉和语言导航的能力。

研究难点

该问题的研究难点包括：

如何将视觉信号转换为自然语言描述，
如何在不依赖监督数据的情况下进行导航决策，
以及如何在不损失信息的情况下处理长历史记录。

研究方法

这篇论文提出了NavGPT，用于解决视觉和语言导航问题。

VLN形式化描述

VLN问题被公式化为在给定自然语言指令的情况下，智能体在每个步骤通过模拟器获取观测值，并在导航图中选择可导航的视点。

智能体通过选择相对角度来预测下一步动作，并通过与模拟器的交互来转移到下一个状态。

NavGPT系统

NavGPT将视觉感知结果、语言指令、历史记录和导航系统原则通过Prompt管理器转换为LLM可以理解的Prompt。

NavGPT的导航系统原理。定义了VLN任务和NavGPT的基本推理格式，要求NavGPT通过识别唯一视点ID在预定义环境中导航，不得虚构不存在的ID。
视觉基础模型将视觉观察转化为自然语言描述，供LLM理解。
导航历史记录了之前的观察和动作，对评估指令完成进度和更新状态至关重要。
提示管理器M整合。、F和H的结果，形成单一提示，使LLM能做出导航决策。

视觉感知器

NavGPT使用BLIP-2模型将视觉输入转换为自然语言描述，每个视点由24个以自我为中心的视图组成，通过BLIP-2模型生成详细语言描述，同时结合其他视觉模型提取的底层特征，如Fast-RCNN提取的物体边界框和深度信息，以过滤和定位物体。

推理和动作的协同

NavGPT通过在每一步输出推理轨迹来增强其理解当前状态的能力。

推理轨迹不仅有助于复杂的规划和策略创建，还可以通过注入先前的推理轨迹来提高问题解决能力。

Prompt管理器

NavGPT的Prompt管理器将、和解析并重新格式化为LLMs的Prompt。

对于，Prompt管理器传达VLN任务定义和NavGPT的行为限制。
对于，Prompt管理器将方向的解释组合成Prompt。
对于，Prompt管理器使用GPT-3.5总结观察结果，并将其插入到Prompt中，以处理历史记录的长度。

实验设计

数据集

实验基于R2R数据集进行，该数据集包含7189条轨迹，每条轨迹对应三条细粒度的指令。数据集分为训练集、验证未见集、测试未见集，分别包含61、56、11和18个室内场景。

评估指标

评估指标包括：

轨迹长度（TL），
导航误差（NE），
成功率（SR），
命中目标的成功率（OSR），
路径长度加权的成功率（SPL）。

实现细节

实验使用GPT-4和GPT-3.5进行评估，图像转换器使用BLIP-2 ViT-G FlanT5XL，对象检测器使用Fast-RCNN，深度信息从Matterport3D模拟器中提取。

结果与分析

推理能力

NavGPT能够执行各种类型的推理和高层规划，包括分解指令为子目标、整合与导航任务相关的常识知识、从观测场景中识别地标、跟踪导航进度以及处理异常情况。

历史和空间相对关系意识

GPT-4能够有效地从冗余的观测描述中提取地标，并生成包含动作的导航历史描述。此外，GPT-4能够全面理解导航历史，并在导航过程中进行必要的进度跟踪。

与监督方法的比较

NavGPT在某些监督基准上表现优于一些模型，并与一些监督智能体兼容。然而，LLM在解决VLN任务中的性能仍然存在显著差距，主要原因是视觉场景的语言描述精度和对象的跟踪能力。

视觉观察描述的粒度

45度视场角（FoV）的视角在导航任务中最为有效，提升了成功率（SR）和标准化逆路径长度成功率（SPL）。

进一步地，通过在BLIP-2描述中加入对象信息和深度估计，NavGPT的SR提高了4.86%，且深度信息的整合显著增强了智能体对环境的理解，进一步提升了导航性能。

总结

论文探讨了利用LLMs进行具身导航任务的潜力，提出了NavGPT系统。

尽管NavGPT在零样本VLN任务中的性能仍不如训练有素的方法，但GPT-4的推理轨迹揭示了LLMs在具身导航规划中的潜在能力。