Lernen zum Anhalten: Ein einfacher aber effektiver Ansatz für städtische visuell-sprachliche Navigation

Vision-and-Language Navigation (VLN) ist eine Aufgabe zur Sprachgrundlage, bei der ein Agent lernt, Sprachanweisungen zu folgen und in realen Umgebungen zu bestimmten Zielen zu navigieren. Eine zentrale Herausforderung besteht darin, den richtigen Ort zu erkennen und dort auch tatsächlich anzuhalten, insbesondere in komplexen Außenumgebungen. Bisherige Ansätze behandeln die STOP-Aktion gleichwertig mit anderen Aktionen, was zu unerwünschtem Verhalten führt: Der Agent bleibt oft am Zielort, obwohl er sich bereits auf dem richtigen Weg befindet, einfach nicht stehen. Daher stellen wir L2Stop vor – ein einfaches, jedoch wirksames Policy-Modul, das die STOP-Aktion von anderen Aktionen unterscheidet. Unser Ansatz erreicht eine neue State-of-the-Art-Leistung auf dem anspruchsvollen städtischen VLN-Datensatz Touchdown und übertrifft die Baseline um 6,89 Prozentpunkte (absoluter Gewinn) hinsichtlich der Success weighted by Edit Distance (SED).