当前位置：首页 > news >正文

CorrectNav——基于VLM构建带“自我纠正飞轮”的VLN：通过视觉输入和语言指令预测导航动作，且从动作和感知层面生成自我修正数据

news 2025/8/21 10:38:26

前言

近一两年来，视觉语言导航的工作集中出现，然这些VLN中成功率高的并不多，而本文要介绍的便是少数成功率较高的之一

第一部分 CorrectNav

1.1 引言与相关工作

1.1.1 引言

如CorrectNav原论文所说，作为一个视觉-语言-动作（VLA）任务，VLN要求模型动态感知环境，并按照给定指令进行导航。错误通常来源于两个方面：

对地标的误感知
对指令指定动作的误解

这些错误会在决策流程中传播，进而对运动预测产生负面影响。因此，应重点关注源自感知和动作的错误。此外，现实应用对模型推理时间有要求，这就要求自我纠错能力应通过训练隐式集成到模型中，而不是通过增加模块或推理过程来实现

对此，来自1 CFCS, School of Computer Science, Peking University、2PKU-AgiBot Lab的研究者提出了自我修正飞轮Self-correction Flywheel，这是一种新颖的导航后训练范式。该方法源于作者的观察：即使是经过充分训练的导航模型，在训练集上评估时仍会产生错误轨迹

其paper为《CorrectNav: Self-Correction Flywheel Empowers Vision-Language-Action Navigation Model》
作者包括
Zhuoyuan Yu1,2*, Yuxing Long1,2*, Zihan Yang1,2, Chengyan Zeng2, Hongwei Fan1,2, Jiyao Zhang1,2, Hao Dong1,2†
其项目地址为：correctnav.github.io/
其GitHub地址则暂未公布

但作者并不将这些错误仅仅视为模型的不足，而是将其视为进一步提升模型的宝贵机会。他们的自我修正飞轮包括以下四个步骤：

在训练集上评估已训练好的模型，收集错误轨迹
设计一种自动化方法，能够检测偏差并精确定位错误轨迹中的具体位置
在识别出偏差后，从动作和感知两个角度生成自我修正数据
$\rightarrow$ 对于动作修正，收集能够有效从偏差中恢复的轨迹；
$\rightarrow$ 对于感知修正，利用大规模多模态模型分析与导航错误相关的关键帧；
利用这些自我修正数据，推动导航模型的持续训练，从而提升其性能

完成上述四个步骤即为一次自我修正飞轮的循环。当对经过一轮自我修正训练的模型再次在训练集上进行评估时，会出现一个显著现象：CorrectNav能够识别出新的错误轨迹，从而生成新的自我修正数据，并进一步训练模型。此时，自我修正飞轮已经启动，导航模型的性能将随着多轮训练迭代不断提升

此外，作者还设计了一套导航微调方案，包括观察随机化、指令生成和通用多模态数据回忆。通过他们提出的微调和后训练策略，作者开发了一种新的基于单目RGB 的VLA 导航模型Correct-Nav。在VLN-CE 基准测试R2R-CE 和RxR-CE 上，CorrectNav 分别实现了65.1 % 和69.3 % 的成功率，超过了以往最先进模型8.2 % 和16.4 %

在多样化的室内外环境中进行的真实机器人测试表明，CorrectNav具备强大的纠错能力、动态障碍物规避能力和长指令跟随能力，优于现有的导航模型

1.1.2 相关工作

首先，对于视觉与语言导航

视觉与语言导航（VLN）指的是一个具身智能体根据自然语言指令导航至目标位置。诸如R2R和RxR等数据集，在离散化的MP3D环境中提供了导航指令和轨迹，而VLN-CE则将这些适配到连续场景

目前的VLN-CE模型大致可分为两类：

一类是基于拓扑图的方法，如BEVbert（An等，2023）和ETPnav（An等，2024），依赖多种传感器预测路径点
另一类是基于预训练视觉-语言模型VLM的模型，包括NaVid(Zhang等，2024a)、Uni-NaVid(Zhang等，2025)和NAVILA(Cheng等，2024)，这些模型根据RGB观测端到端推断动作

现有方法通常采用辅助任务（Zhang等，2025，2024a）、指令增强（Wei等，2025b）和数据集扩展（Wei等，2025a）等技术来提升性能，但对错误纠正的关注较少。为了便于实际机器人应用，作者同样基于预训练VLM构建了CorrectNav。然而，作者强调错误纠正的价值，这有助于突破当前技术的性能瓶颈

其次，对于具身智能中的错误纠正

在具身智能任务中，错误通常是不可避免的

为了提升鲁棒性，具备纠正错误的能力至关重要。错误纠正方法已在操作任务中得到探索（Ha, Florence,and Song 2023；Ma 等 2023；Duan 等 2024；Liu, Bahety, and Song 2023）
然而，导航任务中的错误纠正研究较少。SmartWay(Shi 等 2025)采用闭源大模型对轨迹进行反思，并决定是否回溯
而 EnvolveNav（Lin 等 2025）则训练模型生成耗时的思维链，但提升有限
这些方法通常需要额外的模型或推理步骤，降低了效率，并阻碍了在现实世界中的部署

相比之下，CorrectNav通过自我纠正飞轮训练隐式地教授错误纠正，无需额外模块或冗长推理，从而便于在真实机器人上的部署

1.2 CorrectNav模型

1.2.1 模型结构(包含任务定义)

给定语言指令 $L_{\text {nav }}$ ，视觉与语言导航任务要求模型在时间步 $t$ 时，根据观测 $\left\{O_{1}, O_{2}, \ldots, O_{t}\right\}$ 预测下一个导航动作 $a_{t+1} \in A$

最近，为了克服对多传感器的依赖，研究人员(Zhang 等，2024a，即NaVid)将观测简化为在导航过程中捕获的单目RGB 图像序列 $\left\{I_{1}, I_{2} \ldots I_{t}\right\}$

CorrectNav 由三个模块组成：

视觉编码器v (·)
具体采用的SigLIP（Zhai 等，2023）
投影器p (·)
具体而言是一个两层MLP（Liu 等，2024）
大语言模型（LLM）f (·)
具体是Qwen2（Yang 等，2024）

给定一段RGB 视频，视觉编码器从采样帧中提取视觉特征，生成 $Z_{v}=v\left(\left\{I_{1}, I_{2} \ldots I_{t}\right\}\right)$ 。MLP 投影器将这些视觉特征映射到LLM 的语义空间，得到一系列视觉 $H_{v}=p\left(Z_{v}\right)$

利用视觉token $H_{v}$ 以及由任务指令 $L$ 编码的文本token $X$ ，LLM f (·) 以自回归方式进行预测。在导航微调之前，CorrectNav 初始化自LLaVA-Video7B（Zhang 等，2024b）

1.2.2 三项导航微调任务：导航动作预测、基于轨迹的指令生成、通用多模态数据回顾

导航动作预测
作者从VLN-CE R2R 和RxR 在MP3D室内场景下的训练集划分中收集了oracle 导航轨迹。每条oracle 轨迹包含一条导航指令，以及逐步的RGB 观测和导航动作 $\tau=\left(L_{\text {nav }},\left\{\left(I_{t}, a_{t}\right)\right\}_{t=1}^{T}\right)$
为了增强视觉多样性，作者实施了一系列领域随机化策略。这些策略包括随机化相机高度、调整视场、变化观测分辨率以及改变照明条件，如图2 所示

通过这些策略，作者收集了超过210 万步导航动作预测数据 $D_{n a v}$ ，其中包括来自R2R 的527 K样本和来自RxR 的158 万样本

在该任务中，作者将导航指令 $L_{\text {nav }}$ 和逐步的RGB 观测 $\left\{I_{1}, I_{2} \ldots I_{t}\right\}$ 作为CorrectNav 的输入，并要求模型预测包含m 步的动作序列 $\left\{a_{t+1}, a_{t+2} \ldots a_{t+m}\right\}$
基于轨迹的指令生成
在此任务中，作者从VLN-CER2R 和RxR 数据集中收集完整的oracle 导航轨迹。其中，10K 来自R2R，20K 来自RxR

CorrectNav 需要根据单目RGB 观测历史生成语言格式的导航指令。在训练过程中，作者输入整个oracle 轨迹的RGB 观测 $\left\{I_{1}, I_{2} \ldots I_{T}\right\}$ ，并将相应的指令 $L_{\text {nav }}$ 作为目标
通用多模态数据回顾
下游导航任务格式与通用多模态训练任务有显著差异。如果仅在导航任务上进行训练，会导致模型在训练过程中遗忘通用多模态能力

为了解决这一问题，作者引入了LLaVA-Video178K数据集（Zhang等，2024b）中的一部分视频数据。作者重点关注Activitynet-QA（Yu等，2019）和NextQA（Xiao等，2021），这两个数据集强调对时序和空间场景的理解，与作者的目标高度契合
因此，作者从ActivityQA和NextQA中随机采样了24万条训练实例，以保持模型的通用多模态能力