视觉-语言导航（Vision-and-Language Navigation, VLN）任务涉及代理在照片级真实的未知环境中遵循导航指令。这一具有挑战性的任务要求代理能够识别哪些指令已经完成，下一步需要执行哪些指令，应该朝哪个方向前进，以及其向目标位置的导航进展。在本文中，我们介绍了一种带有两个互补组件的自我监控代理：(1) 视觉-文本共定位模块，用于从周围图像中确定过去已完成的指令、下一步所需执行的指令及接下来的行进方向；(2) 进展监控器，以确保共定位的指令正确反映导航进度。我们在一个标准基准上测试了我们的自我监控代理，并通过一系列消融研究分析了所提出方法的主要组成部分的作用。利用我们提出的方法，在未见过的测试集上成功率达到显著提升（绝对增长8%），从而确立了新的技术前沿。代码可在 https://github.com/chihyaoma/selfmonitoring-agent 获取。