TL;DR

空中视觉语言导航（Aerial VLN）因其在物流配送和城市巡检中的巨大潜力而备受关注。然而，面对复杂的城市拓扑，无人机往往会“迷路”。本文提出的 HTNav 通过分层决策机制和 IL-RL 混合训练策略，在 CityNav 挑战赛中大放异彩，成功率相比主流 MGP 提升了 163%，有效解决了长距离导航中的“认知断层”问题。

背景：为什么空中导航比室内导航难得多？

相比于 R2R 等室内导航任务，城市空中导航面临三个地狱级难度：

1. 视野开阔但特征稀疏：在高空俯视时，虽然全局感强，但目标物（如“图书馆前的红车”）可能极其微小。
2. 长距离下的累积误差：路径越长，动作序列的微小偏移会导致最终偏离目标数百米。
3. 泛化困境：换一个城市，模型往往就无法理解全新的建筑布局。

核心方法论：HTNav 的“大脑”是如何工作的？

1. 分层决策 (Tiered Decision Mechanism)

HTNav 不再试图用一个端到端的网络完成所有事情，而是将其拆解为：

• MacroPlanner (宏观规划者)：基于语义地图和指令，生成一系列中间“航点”（Waypoints）。这保证了无人机始终在正确的全局路径上。
• MicroActor (微观执行者)：专注于当前的 RGB 观测，执行具体的动作（如：前进、左转、悬停），实现灵活的避障和精准进场。

图 1：HTNav 的整体架构，展示了从多模态输入到分层预测的流动过程。

2. 混合训练策略：先模仿，再进化

传统的强化学习（RL）在巨大的城市空间中探索效率极低。HTNav 采用了两步走战略：

• 阶段1 (IL)：利用专家轨迹进行仿效学习，预训练出一个具备基本导航能力的 Baseline。
• 阶段2 (RL)：引入 PPO 算法，利用 IL 阶段学到的 Value Function 权重初始化 Critic 网络，使无人机在环境中自主探索，通过奖励函数（距离奖励、朝向奖励等）微调策略，从而突破专家数据的分布限制。

3. 强化的地图表征学习

为了更精准地理解空间连续性，作者设计了一个基于 SCConv (Spatial and Channel Reconstruction Convolution) 的地图模块。它能自动识别并抑制地图特征空间和通道维度的冗余信息，让模型更关注关键地标（Landmarks）。

实验战绩：全线 SOTA

在 CityNav 数据集上的对比实验显示，HTNav 在所有难度等级下均表现优异：

表 1：在 Validation 和 Test 集合上的性能对比，HTNav 在 NE 和 SR 等核心指标上遥遥领先。

• 泛化能力：在从未见过的城市场景（Unseen）中，HTNav 的成功率相比 MGP 提升了近 3 倍。
• 路径效率：SPL 指标的显著提升意味着 HTNav 规划出的路径更接近最短路径，减少了无谓的盘旋。

图 2：实际导航轨迹可视化。可以看到 HTNav（深蓝线）能够精准贴合真实路径（红虚线），并成功定位到微小目标。

深度洞察与总结

HTNav 的成功印证了一个直觉：复杂的具身任务不能仅靠堆算力，更需要合理的任务解耦。

• 分层设计赋予了模型“先看地图再走路”的常识性逻辑。
• 混合训练解决了强化学习从零开始探索的“冷启动”痛点。

局限性：尽管 HTNav 已经大幅超越对比模型，但距离人类 85%+ 的成功率仍有巨大差距。特别是在处理模糊指令（如“往前走一点”）时，模型对自然语言的微小语义波动依然敏感，这可能是未来引入更大规模多模态大模型（VLM）进行决策增强的方向。