NavHarness: Adaptive Ziele und verifizierte Fortschrittskontrolle für Vision-Language-Navigation
NavHarness ist ein als Preprint veröffentlichter Agentic-VLN-Rahmen, der Navigation über adaptive lokale Ziele, explizite Zielverifikation und progressabhängige Speicherkompression steuert. Auf R2R-CE und RxR-CE erreicht er mit GPT-6-Astra Erfolgsraten von 79,0 % bzw. 82,5 % und übertrifft damit Codex CLI mit gleichem Backbone um 5,0 bzw. 6,2 Prozentpunkte. In einer realen Roboterstudie mit acht Routen und je drei Versuchen liegt die Erfolgsrate bei 83,3 % bei 1,51 m Navigationsfehler.
Wie kann ein Agent Zielverfolgung, Fortschrittsprüfung und Speicherverwaltung koppeln, damit lokale Aktionen auch bei langen Navigationshorizonten konsistent mit der Instruktion bleiben und der Inferenzaufwand begrenzt wird?
In kontinuierlichen Umgebungen führen lokal plausible Einzelaktionen nicht zuverlässig zu einer konsistenten Route; Abweichungen durch Teilbeobachtungen, Umwege oder falsche Abbiegungen können sich über lange Horizonte aufschichten, ohne dass der Fortschritt anhand beobachteter Ergebnisse geprüft wird. Gleichzeitig wächst der Interaktionsverlauf mit jedem Schritt, was die Eingabelänge und Inferenzkosten erhöht; pauschales Kürzen entfernt jedoch wichtige Landmarken, Korrekturen oder unerledigte Teilziele.
Bisherige Lösungen umfassen auf Experten-Trajektorien trainierte Navigationsmodelle wie NaVILA oder Qwen-RobotNav-8B sowie allgemeine multimodale Agenten wie Codex CLI oder AgenticNav. Trainierte Richtlinien erzielen oft gute Ergebnisse, reagieren aber nicht flexibel auf Situationen außerhalb der Trainingsverteilung. Agenten-Frameworks wählen zwar schrittweise plausible Aktionen, prüfen aber selten, ob ein lokales Ziel tatsächlich erreicht wurde, und behalten oft den gesamten bisherigen Verlauf bei oder kürzen ihn ungezielt, wodurch Kontext verloren geht.
NavHarness ist ein Zero-Shot-Framework ohne zusätzliches Navigationstraining. Ein Goal Agent erzeugt aus Instruktion, aktueller Beobachtung und komprimiertem Verlauf jeweils ein lokales Ziel samt einer Verifikationsfrage, die eine beobachtbare Abschlussbedingung benennt. Ein Visuomotor Agent setzt das Ziel in Vorwärts-, Dreh- und Stoppaktionen um, während ein Verify Agent nach jedem Schritt anhand der neuen Beobachtung prüft, ob die Bedingung erfüllt ist, und qualitatives Feedback gibt. Bestätigte Zielabschlüsse markieren Grenzen, an denen ein Memory Agent den multimodalen Verlauf des abgeschlossenen Abschnitts in eine Zusammenfassung aus Route, Landmarken, Verifikationsergebnissen und einem visuellen Keyframe verdichtet. Zum Einsatz kommt ein Unitree-Go2-Quadruped mit einer frontmontierten Intel RealSense D435i, die nur RGB-Bilder liefert.
Auf je 100 Episoden von R2R-CE und RxR-CE erreicht NavHarness mit GPT-6-Astra 79,0 % und 82,5 % Erfolgsrate (SR), bei SPL 66,6 % und 64,7 % sowie NE 3,27 m und 2,42 m. Der direkte Vergleich mit Codex CLI unter gleichem Backbone zeigt Verbesserungen von 5,0 bzw. 6,2 Prozentpunkten SR, 4,1 bzw. 4,7 Prozentpunkten SPL und reduziertem NE um 1,22 m bzw. 0,72 m. Mit GPT-5.6-Sol steigt SR um 4,4 und 6,0 Prozentpunkte. In der Zero-Shot-Monokulareinstellung übertrifft NavHarness mit GPT-6-Astra das trainierte Qwen-RobotNav-8B um 6,9 bzw. 6,0 Prozentpunkte SR. Die Ablation über drei Backbones zeigt ohne Kompression SR-Anstiege auf R2R-CE von 28 %, 63 %, 74 % auf 32 %, 67 %, 79 %; mit Kompression bleiben 31 %, 66 %, 77 %. Die Kompression reduziert die Gesamtzahl der Tokens in allen vier Einstellungen: Bei GPT-5.6-Sol beträgt die Einsparung 35,94 % auf R2R-CE und 56,59 % auf RxR-CE, bei GPT-6-Astra 5,52 % und 4,05 %; die SR sinkt gegenüber Off um 1 bzw. 2 Punkte (GPT-5.6-Sol) und 2 bzw. 1,5 Punkte (GPT-6-Astra), bleibt aber über Native. In realen Tests mit einem Unitree Go2 auf acht Routen und je drei Wiederholungen (24 Versuche) erreicht NavHarness 83,3 % SR und 1,51 m Navigationsfehler, gegenüber 50,0 % SR und 2,34 m NE bei JanusVLN als stärkster aufgeführter Baseline.
Die Autoren nennen als Grenzen die Abhängigkeit von entfernten Closed-Source-Modellen mit hohen Inferenzkosten und Kommunikationslatenz sowie die eingeschränkte visuelle Abdeckung durch eine einzelne RGB-Kamera, wodurch Hindernisse außerhalb des Sichtfelds unerkannt bleiben können. Zusätzlich ist die reale Evaluation mit acht Routen und je drei Versuchen klein, und die Nutzung von 100 Episoden pro Benchmark ist eine Teilmenge; eine Begutachtung ist im Paper nicht berichtet.
Kurzfristig, also jetzt, können Robotik-Labore und Hersteller von Forschungsplattformen wie Unitree Go2 den Ansatz als Framework für Prototypen verwenden, sofern Zugang zu leistungsfähigen Closed-Source-Modellen besteht. Innerhalb von 1 bis 3 Jahren könnten Anbieter von Servicerobotern und mobilen Manipulatoren die Methode übernehmen, wenn lokale, leichtere Vision-Language-Modelle die Latenz und Kosten senken und zusätzliche Sensoren wie Tiefenkameras oder Panoramen die Hinderniserkennung verbessern. Für sicherheitskritische Industrieumgebungen mit mehr als 3 Jahren Horizont sind belastbare Feldtests, reproduzierbare Evaluationen und gegebenenfalls eigene Trainingsdaten erforderlich.
Der Volltext wird hier nicht wiedergegeben, weil die Lizenz der Studie das nicht erlaubt. Das Original steht auf arXiv.