PR 2026 | GeoNav:让无人机像人一样"看地图找目标"——双尺度空间推理驱动的语言导航新框架
城市环境中的无人机语言导航要求智能体理解自然语言指令,并在复杂的户外空间中定位目标。由于城市物体视觉相似度高、环境尺度跨度大,且长距离导航面临多阶段决策挑战,现有的室内导航方法及多模态大语言模型(MLLM)在此任务上表现受限。GeoNav框架通过模仿人类“由粗到精”的空间推理模式,提出了双尺度空间表征与阶段感知调度机制,有效提升了无人机在城市级环境中的导航能力。
01核心挑战与解决方案
GeoNav针对城市导航中宏观路网与微观实体共存、目标长距离不可见等问题,设计了多模态智能体框架。该框架模仿人类找路逻辑,将任务解构为地标导航、目标搜索和精确定位三个阶段。系统采用双尺度空间表征:全局示意认知地图(SCM)用于宏观导航,局部层次化场景图(HSG)用于微观感知,两者协同工作以实现对复杂环境的深度理解。
GeoNav双尺度空间表征机制
示意认知地图 (SCM)
全局导航的“眼睛”,提供宏观空间指引
- 集成地理先验与实时视觉观测
- 将抽象坐标转化为直观的自顶向下视图
- 整合地标层、物体层与无人机轨迹
- 引导无人机快速飞向地标区域
层次化场景图 (HSG)
精准定位的“记忆”,提供精细局部关系
- 包含Block、Landmark、Object三层节点结构
- 利用MLLM推理物体间的空间关系(如旁边、后面)
- 增量更新并合并相似节点以消除冗余
- 支持多跳查询以锁定具体目标
02阶段感知推理流程
- Navigate(地标导航)
利用全局SCM,依据距离和角度推理,引导无人机高效飞向目标所在的宏观地标区域。 - Search(目标搜索)
基于好奇心驱动进行局部探索,动态构建HSG,并在不断更新的SCM中寻找候选目标。 - Localize(精确定位)
激活对HSG的多步查询,将自然语言指令转化为图上的链式操作,逐步缩小范围并精准定位目标节点。
03实验效果与性能提升
在CityNav基准测试中,GeoNav展现了显著的性能优势。该数据集平均飞行距离达545米,覆盖Birmingham和Cambridge的复杂城市环境。实验表明,引入结构化空间感知与推理机制后,系统的成功率和导航精度均得到大幅提升,尤其在长距离和高难度任务中表现突出。
| 评估指标 | GeoNav | 次优方法 | 提升幅度 |
|---|---|---|---|
| 成功率 (SR) | 25.9% | 7.5% | +18.4% |
| 路径长度加权成功率 (SPL) | 16.0% | 5.3% | +10.7% |
| Hard级别SR | 16.7% | 2.1% | +14.6% |
GeoNav在CityNav Test Unseen数据集上的核心表现
消融实验验证了各模块的必要性:移除SCM导致成功率骤降17.6个百分点,证明全局认知地图的关键作用;单独加入HSG或MNS也能带来显著提升。此外,模型在不同参数规模下均有效,且在50米观测高度下实现了视野范围与地面分辨率的最佳平衡。
04总结
GeoNav通过模仿人类由粗到精的空间推理模式,成功解决了城市级语言目标无人机导航中的多尺度空间推理难题。尽管目前成功率与人类水平(约88%)仍有差距,但该框架证明了结构化空间感知对提升智能体导航能力的重要性。未来的改进方向将包括探索端到端模型以统一空间记忆与推理,以及实现自适应高度调整以赋予智能体真正的三维空间推理能力。
当前文章无评论,是时候发表评论了