ReInsVLN: Revisiting Historical Evidence for Training-Free Vision-and-Language Navigation

📄 arXiv: 2610.26545v1 📥 PDF

作者: Siwei Cheng, Hao Wu, Zitong Qi, Xinming Zhang, Haoyu Xi, Peiran Yin, Haozhe Hu, Xudong Wang, Xiaoyu Shen, Wei Zhang

分类: cs.RO

发布日期: 2026-10-19

备注: 8 pages, 6 figures, 6 tables

💡 一句话要点

提出ReInsVLN以解决视觉语言导航中的历史信息冗余问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 视觉语言导航 历史信息利用 训练-free框架 视觉压缩 机器人导航 智能助手 自动驾驶

📋 核心要点

  1. 现有的视觉语言导航方法在处理历史信息时存在冗余，导致部分信息未被有效利用，影响导航性能。
  2. 本文提出ReInsVLN框架，利用历史回顾重指令和视觉压缩技术，支持在无训练条件下优化导航器的记忆利用。
  3. 在R2R Val-Unseen数据集上，ReInsVLN成功率较StreamVLN和InternVLA-N1分别提升8.48和3.37个百分点，显示出显著的性能改进。

📝 摘要（中文）

视觉语言导航（VLN）依赖于保留和使用相关观察信息，但随着历史信息的增加，冗余现象愈发明显，导致部分信息未被充分利用。为此，本文提出了ReInsBench，一个用于通过控制延续试验来检查历史利用情况的诊断基准。研究表明，历史回顾重指令可以利用现有任务上下文恢复导航失败。基于此，本文提出了ReInsVLN，一个支持在冻结导航器中构建和利用记忆的无训练框架。该框架通过减少时间冗余、保护覆盖率和指导指令选择来构建紧凑的视觉上下文。实验结果显示，ReInsVLN在R2R Val-Unseen数据集上成功率显著提升，且在实际机器人试验中验证了其在顺序指令跟随和有序导航中的适用性。

🔬 方法详解

问题定义：本文旨在解决视觉语言导航中历史信息冗余的问题。现有方法在处理历史信息时，常常导致信息未被充分利用，从而影响导航效果。

核心思路：ReInsVLN框架通过引入历史回顾重指令和视觉压缩技术，旨在优化导航器的记忆利用，提升导航成功率。该设计使得在无训练的情况下，导航器能够更有效地使用保留的历史信息。

技术框架：ReInsVLN的整体架构包括三个主要模块：历史回顾重指令模块、视觉压缩模块和导航器模块。历史回顾重指令模块负责引导导航器重新审视保留的观察信息，视觉压缩模块则通过减少冗余信息来构建紧凑的视觉上下文。

关键创新：ReInsVLN的主要创新在于其训练-free的设计理念，利用历史回顾重指令和覆盖-指令感知压缩技术，显著提升了导航器的记忆利用效率。这一方法与传统的训练依赖方法有本质区别。

关键设计：在技术细节上，ReInsVLN采用了覆盖率保护机制和指令引导的标记选择策略，以确保在压缩过程中保留关键信息。此外，遗忘启发的历史提醒机制使得导航器能够按照预定计划回顾保留的观察，而无需额外的模型调用。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在R2R Val-Unseen数据集上，ReInsVLN的成功率达到了64.27%和64.44%，分别较StreamVLN和InternVLA-N1提升了8.48和3.37个百分点。此外，视觉压缩技术有效降低了预填充延迟和KV缓存内存，分别减少了21.77%和32.25%。

🎯 应用场景

ReInsVLN的研究成果在多个领域具有潜在应用价值，包括机器人导航、智能助手和自动驾驶等。通过优化历史信息的利用，该框架能够提升机器人在复杂环境中的导航能力，增强其在实际应用中的表现和可靠性。未来，该技术可能推动更智能的交互式系统的发展。

📄 摘要（原文）

Vision-and-language navigation (VLN) relies on retaining and using relevant observations. Yet growing histories introduce redundancy, and retained information may remain underused. We introduce ReInsBench, a diagnostic benchmark that examines history utilization through controlled continuation trials. Its results show that history-review reinstruction can recover navigation failures using the existing task context. Motivated by this finding, we propose ReInsVLN, a training-free framework supporting memory construction and utilization in frozen navigators. Coverage- and Instruction-Aware Compression constructs compact visual context through temporal redundancy reduction, coverage-aware protection, and instruction-guided token selection. Forgetting-Inspired History Reminders guide navigators to revisit retained observations according to a predefined schedule, without additional model calls. On R2R Val-Unseen, ReInsVLN improves success rates by 8.48 and 3.37 percentage points over the native StreamVLN and InternVLA-N1, reaching 64.27% and 64.44%, respectively. Visual compression largely preserves navigation performance while reducing prefill latency and KV cache memory by up to 21.77% and 32.25%, respectively, on matched observation workloads. Real-world trials on humanoid and quadruped robots further support the applicability of ReInsVLN to sequential instruction following and ordinal navigation.