对话式取向推理：基于多模态链式思考的本体到世界坐标导航

对话式智能体必须将本体化言语（例如“在我右侧”）转化为世界坐标取向（N/E/S/W）。在室内或复杂设施中，GPS信号微弱且缺乏详细地图时，这一挑战尤为关键。虽然链式思考（chain-of-thought, CoT） prompting 在语言和视觉任务中取得进展，但其在多模态空间取向中的应用仍鲜有探索。我们引入对话式取向推理（Conversational Orientation Reasoning, COR），一个针对传统中文对话导航设计的新基准，源自真实环境，旨在解决非英语及ASR转录场景下的本体到世界坐标推理问题。我们提出了一种多模态链式思考（multimodal chain-of-thought, MCoT）框架，将ASR转录语音与地标坐标通过结构化的三步骤推理过程集成：（1）提取空间关系，（2）将坐标映射到绝对方向，（3）推断用户取向。我们采用渐进式课程学习策略，在台湾语言大模型（Taiwan-LLM-13B-v2.0-Chat）上构建这些能力，该模型代表资源受限的设置。实验表明，MCoT在干净转录文本上实现100%取向准确率，ASR转录文本下达98.1%，显著优于单模态和非结构化基线。此外，MCoT在噪声对话条件下表现出鲁棒性，包括ASR识别错误和多语言代码切换。该模型在跨域评估中也保持高准确率，并对语言变异、领域迁移和指代模糊具有鲁棒性。这些发现凸显了结构化MCoT空间推理作为可解释且资源高效的具身导航路径的潜力。