TagaVLM：用于视觉语言导航的拓扑感知全局动作推理

视觉语言导航（VLN）因大型视觉语言模型（VLM）预训练于静态任务而面临架构不匹配挑战。现有方法常将空间信息转化为文本，导致隐式推理复杂关系或限制全局行动能力。为此，本文提出 TagaVLM，一种端到端框架，显式将拓扑结构注入 VLM 主干。通过空间拓扑感知残差注意力机制直接整合边信息，实现内在空间推理；利用交错导航提示增强节点级视文对齐。嵌入拓扑图后，模型具备全局动作推理能力，支持鲁棒路径修正。在 R2R 基准测试中，该方法在未见环境中取得最先进性能。