CoFL：面向语言条件导航的连续流场
偏微分方程分析
2026-03-04 v1 数学物理
math.MP
摘要
现有的语言条件导航系统通常依赖模块化管道或轨迹生成器，但后者主要依据每个场景-指令标注来监督单一起始条件下的滚动。为此，我们提出CoFL，一种将鸟瞰视角( BEV)观察和语言指令映射到连续流场的端到端策略。CoFL将导航重新表述为工作空间条件场学习，而非起始条件轨迹预测：它在任意BEV位置学习局部运动向量，将每个场景-指令标注转化为稠密空间控制监督。从任意起始点通过对预测场进行数值积分生成轨迹，实现简单实时滚动和闭环恢复。为支持大规模训练与评估，我们构建了超过50万组BEV图像-指令对数据集，每个数据集均基于Matterport3D和ScanNet上的语义图生成流场和轨迹。在严格未见场景上评估时，CoFL在导航精度和安全性方面显著优于基于模块化视觉语言模型(VLM)的规划器和轨迹生成策略，同时保持实时推理。最后，我们在BEV观察跨多个布局的零样实验中部署CoFL，保持可行的闭环控制并实现高成功率。
引用
@article{arxiv.2603.02855,
title = {Direct Scattering of the Focusing Nonlinear Schr\"odinger Equation with Step-like Oscillatory Initial Data},
author = {Tamara Grava and Robert Jenkins and Xiaofan Zhang and Zechuan Zhang},
journal= {arXiv preprint arXiv:2603.02855},
year = {2026}
}
备注
45 pages, 9 figures