停止漫游：通过元认知推理实现高效视觉语言导航
计算机视觉与模式识别
2026-04-03 v1
摘要
由基础模型驱动的无训练视觉语言导航（VLN）代理能够遵循指令并探索 3D 环境。然而，现有方法依赖贪心的前沿选择和被动的空间记忆，导致局部振荡和冗余重复访问等低效行为。我们认为这源于缺乏元认知能力：代理无法监控其探索进度、诊断策略失败或作出相应调整。为此，我们提出 MetaNav，一种集成空间记忆、历史感知规划和反思纠正的元认知导航代理。空间记忆构建持久的 3D 语义地图。历史感知规划惩罚重复访问以提高效率。反思纠正检测停滞，并使用 LLM 生成纠正规则以指导未来前沿选择。在 GOAT-Bench、HM3D-OVON 和 A-EQA 上的实验表明，MetaNav 在保持卓越性能的同时，通过减少 20.7% 的 VLM 查询，显示元认知推理显著提高了鲁棒性和效率。
引用
@article{arxiv.2604.02317,
title = {A Simple Baseline for Streaming Video Understanding},
author = {Yujiao Shen and Shulin Tian and Jingkang Yang and Ziwei Liu},
journal= {arXiv preprint arXiv:2604.02317},
year = {2026}
}
备注
Project page: https://simple-stream.github.io/