TARIC：中断语义线索下基于记忆增强的可通行性感知的户外视觉语言导航

TARIC: Memory-Augmented Traversability-Aware Outdoor VLN under Interrupted Semantic Cues

远程、开放世界环境中的室外视觉-语言导航常因语义线索中断而受到干扰，即信息性目标线索变得稀疏、被遮挡或离开视野。一旦此类线索消失，智能体便进入无线索阶段，往往退化为回溯、振荡航向或无目的探索。尽管基于记忆的方法试图弥合这些间隙，但在可通行性驱动的绕行场景中常失效：记忆中的线索方向可能不可行，迫使其绕行延长无线索阶段，逐渐使机器人中心的线索变得陈旧，隐式历史变得模糊。这使得可通行性成为维持目标导向导航的稳定条件，而不仅是局部安全问题。 我们提出一个统一的室外视觉-语言导航框架，通过在长时间无线索阶段维持可通行性一致的可执行引导，以抵御语义线索中断。具体而言，我们的方法从可见性门控的目标或探索线索中提取语义方位角，并利用实时近场可通行性剖面将其映射为可执行航向，提供超越仅拒绝式安全过滤器的目标一致可行引导。为防止绕行期间引导退化，我们将间歇性二维证据提升为世界对齐的三维线索记忆，并辅以不确定性感知读出机制，确保随着机器人移动，引导持续可达且稳定。 我们在四足和轮式平台上对长达600–1000米路径进行了评估。相较于最强基线，我们的方法在仿真中成功率提升超过10个百分点，并在真实世界中取得40%的成功率（最强基线为17.5%），在长时间无线索间隔中表现出显著更高的鲁棒性。