Lana：一种支持指令跟随与生成的语言能力导航器

近来，视觉语言导航（VLN）——即让机器人智能体跟随导航指令——已取得巨大进展。然而，现有文献大多侧重于将指令解释为动作，仅产出“笨”的寻路智能体。本文中，我们设计了LANA，一种具备语言能力的导航智能体，它不仅能执行人类书写的导航命令，还能向人类提供路线描述。这是通过仅用单一模型同时学习指令跟随与生成来实现的。更具体地，构建了分别用于路线和语言编码的两个编码器，并由分别用于动作预测和指令生成的两个解码器共享，以利用跨任务知识并捕捉任务特定特征。在预训练与微调过程中，指令跟随与生成均被设为优化目标。我们经实证验证，与近期先进的任务专用方案相比，LANA在指令跟随和路线描述上均取得更好性能，且复杂度近乎减半。此外，凭借语言生成能力，LANA可向人类解释其行为并辅助人类寻路。本工作有望推动未来构建更可信且具社会智能的导航机器人的努力。