무엇이 시각-언어 내비게이션 (Vision-and-Language Navigation)을 제한하는가?

요약

본 논문은 시각-언어 내비게이션(VLN)의 성능 저하 원인을 지각적 불안정성과 공간적 접지 부족에서 찾고, 이를 해결하기 위해 StereoNav이라는 견고한 Vision-Language-Action 프레임워크를 제안합니다. StereoNav은 목표 위치 사전 지식(Target-Location Priors)을 도입하여 도메인 전반에 걸쳐 안정적인 시각적 가이드를 제공하며, 스테레오 비전과 깊이 인식을 활용해 모션 블러 및 조명 변화 같은 시각적 방해 요소를 완화합니다. 실험 결과, StereoNav은 적은 파라미터와 데이터로도 최첨단 성능을 달성했으며, 실제 로봇 배포를 통해 내비게이션 신뢰성을 크게 향상시켰습니다.

핵심 포인트

• VLN의 주요 문제점: 시뮬레이션과 실제 환경 간의 성능 격차(Sim-to-Real Gap) 및 지각적 불안정성.
• 제안된 방법론: StereoNav은 Vision-Language-Action 프레임워크로, 목표 위치 사전 지식(Target-Location Priors)을 핵심 요소로 사용합니다.
• 견고성 확보 전략: 스테레오 비전과 깊이 인식을 통합하여 모션 블러 및 조명 변화 같은 시각적 방해 요소를 극복합니다.
• 실험 결과: 적은 파라미터와 데이터만으로도 기존의 스케일링 기반 접근 방식보다 우수한 최첨단 성능을 입증했습니다.
• 실제 적용 가능성: 실제 로봇 배포를 통해 복잡한 환경에서의 내비게이션 신뢰성을 실질적으로 향상시켰습니다.