视觉语言导航中自改进智能体的平衡本质

在视觉语言导航（VLN）中，仅利用标准动作监督从策略诱导经验中实现自我改进，关键取决于行为多样性与学习稳定性的平衡。过度追求多样性会 destabilize 学习信号，而过分保守则抑制探索。为此，本文提出即插即用的“稳定性 - 多样性平衡”（SDB）机制。该方法通过在指令条件隐藏状态中施加可控偏移，扩展决策步为多个潜在行为假设，并执行可靠性感知的软评估与聚合，以保留多样且一致的替代方案。实验表明，SDB 在多个基准测试中显著提升了导航性能。