Early to Share, Late to Save: Synchronisation-Driven Communication Gating in Bandwidth-Constrained Cooperative VLN
作者: Arav Gupta, Nivedan Yakolli, Avinash Gautam
分类: cs.MA, cs.RO
发布日期: 2026-07-09
备注: Accepted at the IJCAI 2026 GLOW Workshop. To appear in Springer Communications in Computer and Information Science (CCIS)
🔗 代码/项目: GITHUB
💡 一句话要点
提出带宽受限的合作视觉语言导航以解决通信效率问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 视觉语言导航 带宽受限 通信效率 门控机制 Gated Recurrent Unit 自主导航 信息传递
📋 核心要点
- 现有的合作视觉语言导航方法假设通信没有限制，未考虑带宽受限的实际应用场景，导致信息效率低下。
- 本文提出了一种轻量级的监督门控机制，通过事后标记关键通信步骤，优化了通信效率，避免了高方差问题。
- 实验结果表明，采用该方法的代理在不同带宽预算下均表现出显著的对齐增益，提升了通信效率，接近于无限制通信的效果。
📝 摘要（中文）
大多数合作视觉语言导航（VLN）方法假设通信无限，而未考虑带宽受限的现实应用。本文提出了带宽受限的合作VLN，并引入了“事后门控”机制，通过后期标记导航失败的关键通信步骤，避免了REINFORCE的高方差。与直觉相反，训练的门控在早期步骤中更频繁地触发，且在代理自信时更为明显。通过早期通信注入的基础轨迹表示在后续的Gated Recurrent Unit（GRU）更新中得以持续和增强，最终实现了显著的对齐增益，展示了新的通信模式：早期同步表示，后期独立导航。
🔬 方法详解
问题定义：本文要解决的是在带宽受限的环境中，如何有效进行合作视觉语言导航的问题。现有方法往往假设无限通信，导致在实际应用中效率低下。
核心思路：论文提出了“事后门控”机制，旨在通过后期分析导航失败来标记关键的通信步骤，从而优化信息传递的时机和内容。与直觉相反，研究发现早期的自信通信更为有效。
技术框架：整体架构包括代理之间的通信模块和Gated Recurrent Unit（GRU）更新模块。代理在导航过程中通过门控机制选择何时进行信息传递，GRU用于处理和更新状态表示。
关键创新：最重要的创新在于提出了“事后门控”机制，允许代理在导航失败后回溯并标记关键步骤，从而提高了信息传递的有效性和效率。这一方法与传统的实时决策方法形成鲜明对比。
关键设计：在设计中，设置了不同的带宽预算（如1、3、5），并通过实验验证了不同预算下的通信效率。同时，采用了特定的损失函数来优化门控机制的学习过程。
🖼️ 关键图片
📊 实验亮点
实验结果显示，在带宽预算为3的情况下，采用事后门控机制的代理实现了0.072的累计对齐增益，接近于无限制通信的0.078，且在对齐效率上比随机门控提高了260%，比基于熵的门控提高了320%。
🎯 应用场景
该研究的潜在应用领域包括机器人导航、自动驾驶和智能助手等场景，尤其是在带宽受限的环境中，能够显著提高信息传递的效率和导航的成功率。未来，这一方法可能推动更多智能体在复杂环境中的自主协作能力。
📄 摘要（原文）
Most cooperative Vision-Language Navigation (VLN) methods assume unlimited communication, not considering real-world applications where bandwidth is restricted and information efficiency is critical. We introduce \textbf{bandwidth-constrained cooperative VLN} and propose \textbf{hindsight gating}: a lightweight supervised gate that labels communication-critical steps post-hoc from navigation failures, avoiding the high variance of REINFORCE. Contrary to the intuition that agents should communicate when uncertain, we observe a consistent counter-intuitive pattern: trained gates fire predominantly in early episode steps and more often when agents are confident, across all budget levels ($B \in {1,3,5}$). We explain this through \textbf{recurrent hidden-state alignment}: early communication injects grounded trajectory representations that persist and compound through subsequent Gated Recurrent Unit (GRU) updates, achieving $+0.072$ cumulative alignment gain with $B{=}3$ transmissions, approaching unconstrained communication ($+0.078$) at 260\% greater alignment efficiency than random gating ($+0.020$) and 320\% greater efficiency than entropy-based gating ($+0.017$). Our results establish a new communication regime for bandwidth-limited embodied agents: synchronise representations early, navigate independently later. Our codebase is available at: https://github.com/AravG13/bandwidth-constrained-cooperative-vln