导航方法、装置和电子设备与流程

1.本公开涉及自主导航技术领域，尤其涉及一种导航方法、装置和电子设备。


背景技术：

2.随着智能体技术的发展，智能体得到了越来越广泛的应用，例如家庭用智能体、商用智能体、工业智能体等。智能体使用的一个前提是需要对行进路线进行导航。
3.目前的一种导航技术是视觉语言导航技术。该技术结合给定的语言指令和采集到的视觉图像信息来自主调整前进的方向，从而达到指定的目的地。


技术实现要素：

4.提供该公开内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该公开内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
5.本公开实施例提供了一种导航方法、装置和电子设备。
6.第一方面，本公开实施例提供了一种导航方法，该方法包括：基于获取的历史步信息集合及当前步的视觉信息，对历史步信息集合进行冗余信息处理，得到冗余信息处理后的第一历史步信息集合，所述历史步信息集合包括至少一个历史步信息，历史步信息包括历史步视觉信息；基于所述第一历史步信息集合、当前步的视觉信息及文本指令信息，确定下一步的移动信息
7.第二方面，本公开实施例提供了一种导航装置，该装置包括：冗余信息处理单元，用于基于获取的历史步信息集合及当前步的视觉信息，对历史步信息集合进行冗余信息处理，得到冗余信息处理后的第一历史步信息集合，所述历史步信息集合包括至少一个历史步信息，历史步信息包括历史步视觉信息；移动信息确定单元，用于基于所述第一历史步信息集合、当前步的视觉信息及文本指令信息，确定下一步的移动信息。
8.第三方面，本公开实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的导航方法。
9.第四方面，本公开实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的导航方法的步骤。
10.本公开实施例提供的导航方法、装置和电子设备，通过基于获取的历史步信息集合及当前步的视觉信息，对历史步信息集合进行冗余信息处理，得到冗余信息处理后的第一历史步信息集合，所述历史步信息集合包括至少一个历史步信息，历史步信息包括历史步视觉信息；基于所述第一历史步信息集合、当前步的视觉信息及文本指令信息，确定下一步的移动信息，由于对历史信息集合进行冗余信息处理，因此使得参与下一步决策的历史步信息中不包括冗余信息，可以减少历史步中的冗余信息对下一步导航决策带来的负面影响，从而使得导航信息更加精准。
附图说明
11.结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
12.图1是根据本公开的导航方法的一个实施例的流程图；
13.图2是本公开提供的用于冗余信息处理的示意性结构框图；
14.图3是根据本公开的导航方法到的一个示意性原理性框图
15.图4是根据本公开的导航装置的一个实施例的结构示意图；
16.图5是本公开的一个实施例的导航方法可以应用于其中的示例性系统架构；
17.图6是根据本公开实施例提供的电子设备的基本结构的示意图。
具体实施方式
18.下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
19.应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
20.本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
21.需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
22.需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
23.本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
24.请参考图1，其示出了本公开提供的导航方法的一些实施例的流程性示意图，如图1所示，该导航方法包括如下步骤。
25.步骤101，基于获取的历史步信息集合及当前步的视觉信息，对历史步信息集合进行冗余信息处理，得到冗余信息处理后的第一历史步信息集合，所述历史步信息集合包括至少一个历史步信息，历史步信息包括历史步视觉信息。
26.历史步信息集合可以包括至少一个历史步信息。历史步信息可以包括历史步视觉信息和可靠度信息。可靠度信息用于表征历史步视觉信息与指令文本之间的匹配度。
27.历史步视觉信息包括历史步对应的全景图信息(历史步的全景图信息包括全景图各单视角视觉特征和全景图各单视角的航向角和俯仰角)、智能体朝向视角的视觉特征，智能体由上一历史步至该历史步的朝向转动角度。
28.当前步的视觉信息包括当前步的全景图信息(当前步的全景图信息包括当前步全景图各单视角视觉特征和全景图各单视角的航向角和俯仰角)，智能体朝向视角的视觉特征，智能体由上一步至该当前步的朝向转动角度。
29.作为示意性说明，智能体在当前步(第t步)之前，已经经过了t-1个历史步。这里的历史步信息可以包括第1步至第t-1步的信息。
30.也就是在第t步，可以对第1步至第t-1步各自的历史步信息进行冗余信息处理。处理的过程，可以是根据当前步的视觉信息对每一个历史步逐个进行冗余信息处理。
31.对于每一步，可以存储该步对应的视觉信息。所存储的多个历史步信息构成历史步信息集合。此外，在新走完每一步时，将该步对应的视觉信息和可靠度信息存储到历史步信息集合中，对历史步信息集合进行更新。
32.在智能体走到第t步时，可以从历史步信息集合中从第1步至第t-1步逐步提取各历史步的信息，对所提取的各历史步的信息进行冗余信息处理。
33.在对历史步信息进行冗余信息处理时，可以使用当前步的视觉信息。将当前步的视觉信息与历史步的视觉信息进行比对，将历史步视觉信息中的至少部分冗余信息去除掉，从而达到对历史步视觉冗余信息处理。在对各历史步的视觉进行冗余信息去除之后，得到第一历史步信息集合。
34.步骤，102，基于所述第一历史步信息集合和当前步的视觉信息及文本指令信息，确定下一步的移动信息。
35.在得到第一历史步信息集合之后，可以结合第一历史步信息集合、当前步的视觉信息以及文本指令信息，确定下一步的移动信息。
36.上述文本指令信息可以是预先设置的标准路径信息。标准路径信息例如可以包括预设环境的拓扑结构地图。这里的预设环境的拓扑结构图例如可以为预设房屋的拓扑结构图，以及各节点对应的移动信息。例如“走进走廊，穿过厨房区域的入口。走过水槽和灶台，在冰箱和餐桌之间停下来”。
37.例如第一历史步信息集合中的历史步视觉信息包括预设环境中的走廊、厨房入口的视觉信息。当前步的视觉信息指示的当前位置为水槽，则可以确定下一步的移动信息包括向灶台方向移动。
38.智能体的导航是一个条件决策过程，即它的决策会受到历史信息、当前步视觉场景和指令的影响。相关技术中采用记忆机制辅助智能体导航，将每一个历史节点对应的视觉信息、旋转角度信息保存在记忆中，当智能体进行决策选择下一步传送的节点时，参考记忆中的历史节点的视觉信息、当前各视角的视觉信息和文本指令信息来确定下一步传送的目标节点。但历史信息中同时存在对当前步导航有益和无益的信息，这样一来相关技术会不可避免地将无益信息带来的噪声融入到当前步的导航决策中，从而对下一步的导航带来负面影响。
39.本实例提供的导航方法，通过基于获取的历史步信息集合及当前步的视觉信息，对历史步信息集合进行冗余信息处理，得到冗余信息处理后的第一历史步信息集合，所述历史步信息集合包括至少一个历史步信息，历史步信息包括历史步视觉信息；基于所述第一历史步信息集合和当前步的视觉信息及文本指令信息，确定下一步的移动信息，由于对历史信息集合进行冗余信息处理，因此减少了参与下一步决策的历史步信息中的冗余信
息，从而可以降低历史步中的冗余信息对下一步导航决策带来的负面影响，从而使得导航信息更加精准。
40.在一些可选的实现方式中，所述历史步视觉信息包括历史步视觉特征；所述历史步信息还包括历史步可靠度，以及所述基于获取的历史步信息集合及当前步的视觉信息，对历史步信息集合进行冗余信息处理，得到冗余信息处理后的第一历史步信息集合，包括：从当前步视觉信息中提取当前步视觉特征；根据当前步视觉特征及历史步可靠度，对历史步视觉特征进行冗余信息处理，得到冗余信息处理后的第一历史步信息集合。
41.在这些可选的实现方式中，当前步t的视觉信息包括当前步的全景图信息、智能体朝向视角的视觉特征、第t-1步至第t步的智能体旋转角度特征的信息。对当前步全景图信息进行编码，编码结果为o
t
。对当前步智能体朝向视角的视觉特征进行编码，编码结果表征为i
t
。对由上一步至当前步的智能体的旋转角度特征进行编码，编码结果表征为a
t
。将上述全景图信息的编码结果o
t
、朝向视角的视觉特征编码结果i
t
与旋转角度特征的编码结果a
t
进行融合，得到当前步视觉特征。
42.在一些应用场景中，上述从当前步视觉信息中提取当前步视觉特征，包括：将当前步视觉信息输入到预设视觉特征提取单元，从而得到当前步视觉特征。将当前步的全景图信息、所朝向的视角的视觉特征、智能体由上一步至该当前步的旋转角度特征信息输入到预设视觉特征提取单元，从而得到当前步视觉特征。
43.上述预设视觉特征提取单元例如可以是预设编码单元。该预设视觉特征提取单元可以将输入其中的当前步的全景图信息、智能体朝向视角的视觉特征、智能体由上一步至当前步的旋转角度特征进行编码，生成当前步视觉特征。
44.各步的视觉特征可以均由该预设编码单元进行编码得到。
45.当前步视觉特征包括全景图信息的编码结果o
t
、智能体朝向视角的视觉特征i
t
和由上一步至该当前步的智能体的旋转角度特征a
t
。当前步t的视觉特征可以表示为h(t)。
46.历史步的视觉特征的取得也可以参考上述当前步视觉特征的取得方式。
47.历史步信息中还包括历史步可靠度，历史步可靠度用于表征历史视觉特征与文本指令信息之间的匹配度。
48.在利用当前步视觉信息对历史步视觉信息进行冗余信息处理时，使用当前步视觉特征对历史步视觉特征进行冗余信息处理。也即，根据当前步视觉信息提取的特征对从历史步视觉信息中提取的特征进行分析处理，从而去除历史步视觉信息的至少部分冗余信息，可以简化在确定下一步移动操作时需要处理的数据量。
49.另外，将历史步视觉信息对应的可靠度参与进对历史步视觉信息的冗余信息处理。对于可靠度较高的历史步信息，可以去除较少的冗余信息，对于可靠度较低的历史步信息，可以去除较多的冗余信息。
50.参考历史步可靠度对历史步信息进行冗余信息处理，使得可靠度较低的历史步信息的冗余信息处理的更多，从而在历史步冗余信息处理时，可以去除较多的无益历史信息，进而可以进一步减少历史步无益信息的干扰。
51.在一些可选的实现方式中，所述根据当前步视觉特征及历史步可靠度，对历史步视觉特征进行冗余信息处理，得到冗余信息处理后历的第一历史步信息集合，包括：将所述当前步视觉特征、历史步可靠度及历史步视觉特征输入到预设擦除单元，得到第一擦除信
息；利用所述第一擦除信息对历史步信息集合中的历史步视觉特征进行冗余信息处理，得到第一历史步信息集合。
52.这里的预设擦除单元可以包括机器学习模型。这里的机器学习模型可以为神经网络模型，深度学习模型等。可以预先对预设擦除单元进行训练，得到经过训练的预设擦除单元。预设擦除单元用于根据输入的当前步视觉特征、历史步可靠度、历史步视觉特征，输出第一擦除信息。这里的第一擦除信息例如可以包括擦除向量。擦除向量由如下公式(1)表征：
[0053][0054]
其中，hi为第i个的历史步的视觉特征；ri为第i个历史步的可靠度，h
t
是当前步t的视觉特征。这里擦除向量可以是由第一全连接网络输出的向量，该第一全连接网络与上述第i个的历史步的视觉特征、第i个历史步的可靠度和当前步t的视觉特征相关，例如第一全连接网络以上述第i个的历史步的视觉特征、第i个历史步的可靠度和当前步t的视觉特征作为输入变量。
[0055]
可以根据上述擦除信息对历史步视觉特征进行冗余信息处理。具体地，上述冗余信息处理过程可以由如下公式(2)来表征：
[0056][0057]
其中，是经过冗余信息处理后得到的第i个历史步视觉特征。
[0058]
利用冗余信息处理后得到的第i个历史步视觉特征更新历史步信息集合。将多个历史步视觉特征更新历史步信息集合后，得到第一历史步信息集合。进行冗余信息处理后的历史步视觉特征可以视为第一历史步视觉特征。
[0059]
在一些应用场景中，上述步骤102包括：将所述第一历史步信息集合中的各第一历史步视觉特征、当前步视觉特征以及下一步视角特征与文本指令特征进行跨模态特征信息处理，得到第二历史步视觉信息集合、第一下一步视角特征和第一文本指令特征；根据所述第二历史步视觉信息集合、第一下一步视角特征和第一文本指令特征确定下一步的移动信息。
[0060]
文本指令特征可以是对以文本形式记载的指令进行文本特征提取得到。对文本指令进行文本特征提取的过程可以包括对文本指令进行切分，得到多个切分结果。将各切分结果从预设编码库中进行查找，查找到与每一切分结果对应的编码。将各切分结果对应的编码进行组合，得到文本指令特征编码。
[0061]
具体地，可以将所述第一历史步信息集合中的各第一历史步视觉特征、当前步视觉特征以及下一步视角特征与文本指令特征，输入到预先训练的跨模态转换单元，由所述跨模态转换单元输出所述第二历史步视觉信息集合、第一下一步视角特征和第一文本指令特征；所述跨模态转换单元用于对视觉特征和文本特征进行交叉处理。
[0062]
跨模态转换单元包括多级组合网络。每一级组合网络包括跨模态注意力网络、自注意力网络和前馈网络。将历史步视觉特征、当前步视觉特征以及下一步视角特征与文本指令特征拼接后输入到跨模态转换单元。具体地，将拼接后的历史步视觉特征、当前步视觉特征以及下一步视角特征与文本指令特征首先输入到跨模态注意力网络，由跨模态注意力
网络对融合后的历史步视觉特征、当前步视觉特征以及下一步视角特征与文本指令特征进行交叉分析处理。然后将跨模态注意力网络的输出输入到自注意力网络，由自注意力网络对进行了交叉分析处理后的上述特征在进行自注意力处理。将自注意力网络的输出输入到前馈网络，由前馈网络将自注意力网络的输出传输给下一级组合网络。经过多级组合网络处理后输出第二历史步视觉信息集合、第一下一步视角特征和第一文本指令特征。可以将第一下一步视角特征和第一文本指令特征输入到动作预测网络，从而得到下一步移动信息。
[0063]
这里的下一步移动信息包括智能体的移动移动方向和移动距离。
[0064]
在一些应用场景中，上述导航方法还包括如下步骤：
[0065]
首先，将所述第一历史步信息集合中的各第一历史步视觉特征、当前步视觉特征以及下一步视角特征与文本指令特征进行跨模态特征信息处理，得到第二历史步视觉信息集合、第一下一步视角特征和第一文本指令特征。
[0066]
其次，将所述第二历史步视觉信息集合中的第二历史步视觉特征、历史步对应的可靠度和第一文本指令特征输入到预设擦除单元，得到第二擦除信息。
[0067]
具体地，可以将第二历史步视觉特征、历史步对应的可靠度和第一文本指令特征拼接后输入到预设擦除单元。
[0068]
这里的预设擦除单元可以包括预先训练的机器学习模型。这里的机器学习模型可以包括各种神经网络模型、深度学习模型等。可以预先对预设擦除单元进行训练，得到训练后的预设擦除单元。对擦除单元的训练可以使用有监督训练方法进行训练。
[0069]
再次，利用所述第二擦除信息对第二历史步视觉特征集合中的各历史步视觉特征进行冗余信息处理，得到所述第三历史步视觉信息集合。
[0070]
这里第二擦除信息可以包括擦除向量
[0071][0072]
其中，为第i个的历史步的第二历史步视觉特征；ri为第i个历史步的可靠度，是第一文本指令特征。这里擦除向量可以是由第二全连接网络输出的向量，第二全连接网络可以与第二历史步视觉特征历史步的可靠度和第一文本指令特征相关，例如第二全连接网络以第二历史步视觉特征、历史步的可靠度，第一文本指令特征作为输入变量。在一些应用场景中，第一全连接网络可以与第二全连接网络为同一全连接网络。
[0073]
可以根据上述第二擦除信息对第二历史步视觉特征进行冗余信息处理。具体地，上述冗余信息处理过程可以由如下公式(4)来表征：
[0074][0075]
其中，是经过使用第二擦除信息进行冗余信息处理后得到的第i个第三历史步视觉特征。
[0076]
利用上述冗余信息处理后得到的第i个第三历史步视觉特征更新第二历史步信息集合。利用多个第三历史步视觉特征更新第二历史步信息集合，得到第三历史步信息集合。
[0077]
最后，根据所述第三历史步视觉信息集合中的全局视觉特征和第一指令文本特征确定当前步视觉特征的可靠度。
[0078]
当前步视觉特征的可靠度用于表征当前步视觉特征与指令信息之间的匹配度。
[0079]
可以利用经过第二擦除信息对历史步视觉特征集合中的各历史步视觉特征进行冗余信息擦除后的视觉特征，与第一指令文本特征来确定当前步视觉特征的可靠度。
[0080]
在一些应用场景中，所述根据所述第三历史步视觉特征集合和第一指令文本特征确定当前步视觉特征的可靠度，包括：将所述第三历史步视觉特征集合和第一指令文本特征输入到预先训练的可靠度预测单元，由所述可靠度预测单元输出当前步视觉特征的可靠度。
[0081]
这里的可靠度预测单元可以包括预先训练的各种机器学习模型。可靠度预测单元可以根据输入的历史步视觉特征及文本指令特征来确定视觉特征与文本指令特征之间的匹配度。
[0082]
对可靠度预测单元中的机器学习模型的训练可以使用有监督训练或者无监督训练方式进行训练。
[0083]
在这些可选的实现方式中，通过使用第二擦除信息对历史步特征进行第二次擦除，由于第二擦除信息与文本指令信息有关，使得由第二擦除信息得到的第三历史步特征中去掉与文本指令信息无关的冗余信息，然后再确定当前步历史特征与文本指令之间的可靠度，使得所得到的当前步的可靠度受噪声的影响较小，可以得到较高准确度的可靠度。
[0084]
用户在得到下一步移动信息的同时还可以了解到当前步的表征当前视觉特征与文本指令之间匹配度的可靠度。当前步的可靠度在一定程度上可以表征由起始点开始经过各步移动至当前步的正确率，而由当前步的视觉特征、历史步的视觉特征、历史步可靠度及文本指令确定出的下一步的移动信息的正确率，也可以初步根据当前步的可靠度来初步估算。
[0085]
请参考图2，其示出了本公开提供的用于冗余信息处理的示意性结构框图。如图2所示，对冗余信息处理的结构框图可以包括视觉擦除模块和文本擦除模块。
[0086]
第一，视觉擦除模块，用于对历史步视觉冗余信息进行处理，处理流程如下：
[0087]
(1)由预设编码单元对当前步全景图信息进行编码(细节可参考前面的内容)，得到编码结果o
t
。对智能体朝向视角的视觉特征进行编码，得到编码结果i
t
。对智能体由上一步至该步的旋转角度进行编码，得到编码结果a
t
。将编码结果o
t
、i
t
和a
t
输入到融合单元进行融合，得到最新的历史特征h
t
。
[0088]
(2)将最新的历史步视觉特征h
t
作为场景相关的视觉特征，并连同从历史步视觉信息合中采样得到的历史步特征hi，及其对应的可靠度ri，送入预设擦除单元(如图中的擦除向量预测网络)以预测视觉擦除向量
[0089][0090]
(3)使用该视觉擦除向量对所采样的历史步视觉特征进行噪声擦除：
[0091][0092]
(4)使用擦除后的历史特征更新历史步信息集合，得到第一历史步信息集合。
[0093]
(5)依次采样历史特征，重复(2)-(4)步，直至所有历史步的视觉特征都进行了冗余信息去除。
[0094]
第二，对于文本擦除模块，其工作流程与视觉擦除模块类似，且可以与视觉擦除模
块共享同一个预设擦除单元。文本擦除模块的工作流程如下：
[0095]
(1)第一历史步视觉信息集合随同下一步视角特征指令文本特征{w0,w1,...,w
l
}一同送入跨模态转换单元(跨模态transformer)中，通过互注意力和自注意力模块进行视觉-文本模态特征融合，得到融合后的第二历史步视觉信息集合第一下一步视角特征和第一指令文本特征从第一指令文本中提取当前场景下指令的全局表示并将其作为场景相关文本特征。其中，是历史步信息集合中的全局历史步特征；是下一步全局视角特征；w0、是全局指令文本特征。
[0096]
(2)将场景相关文本特征连同第i个历史步特征及对应可靠度ri，送入擦除向量生成网络以预测文本擦除向量:
[0097][0098]
(3)使用该文本擦除向量对所采样的第i个历史步特征进行噪声擦除:
[0099][0100]
(4)使用擦除后的历史步特征更新第二历史步视觉特征集合；
[0101]
(5)依次采样历史特征，重复(2)-(4)步，直至所有记忆内的历史步视觉特征都进行了噪声擦除。
[0102]
其中，擦除向量生成网络由多层感知器实现。
[0103]
请参考图3，其示出了本公开提供的导航方法的原理性框架图。如图3所示，本公开提供的导航方法包括：
[0104]
(1)将第i个历史步视觉特征hi和可靠度ri以及当前步视觉特征h
t
输入到视觉擦除模块。视觉擦除模块包括预设擦除单元和第一处理单元。预设擦除单元用于生成第一擦除信息，第一处理单元用于根据第一擦除信息对第i个历史步视觉特征进行冗余信息擦除，得到第一历史步视觉特征
[0105]
(2)擦除后的各第一历史步视觉特征构成的第一历史步视觉信息集合随同下一步视角特征指令文本特征{w0,w1,...,w
l
}一同送入跨模态转换单元(跨模态transformer)中，通过互注意力和自注意力模块进行视觉-文本模态特征融合，得到融合后的第二历史步视觉信息集合第一下一步视角特征和第一指令文本特征其中，为第一历史步视觉信息集合中的历史步全局视觉个特征。w0为指令文本中的全局文本特征，为第二历史步视觉信息集合中的历史步全局视觉特征。为第一指令文本中的全局文本特征。
[0106]
(3)动作预测网络根据当前周围可导航的第一下一步视角特征与第一指令文本中的全局特征的相似度，选择相似度最高的视角，并将其内的导航点作为下一步的传送节点。
[0107]
(4)第一指令文本特征中的全局特征表示作为当前步相关的文本特征，随同第i个第二历史步视觉特征及其对应的可靠度ri，通过文本擦除模块擦除历史中的噪声。
[0108]
文本擦除模块包括预设擦除单元和第二处理单元。预设擦除单元用于生成第二擦除信息，第二处理单元用于根据第二擦除信息对第i个第二历史步视觉特征进行冗余信息擦除，得到第i个第三历史步视觉特征多个第三历史步视觉特征构成第三历史步信息集合。
[0109]
(5)根据擦除后第三历史步视觉信息集合中的全局视觉特征当前场景下第一指令文本特征中的全局特征通过可靠度评估模块评估当前场景下文本视觉的匹配度，由于当前场景是由上一个动作执行后得到的，而上一个动作决策质量依赖于上一个节点对应状态的可靠度，因此当前场景下文本视觉的匹配度可看作上一个节点编码得到的历史特征的可靠度。
[0110]
如图4示，本实施例的导航装置包括：冗余信息处理单元401和移动信息确定单元402。其中，冗余信息处理单元401，用于基于获取的历史步信息集合及当前步的视觉信息，对历史步信息集合进行冗余信息处理，得到冗余信息处理后的第一历史步信息集合，所述历史步信息集合包括至少一个历史步信息，历史步信息包括历史步视觉信息；移动信息确定单元402，用于基于所述第一历史步信息集合、当前步的视觉信息及文本指令信息，确定下一步的移动信息。
[0111]
在本实施例中，导航装置的冗余信息处理单元401和移动信息确定单元402的具体处理及其所带来的技术效果可分别参考图1对应实施例中步骤101和步骤102的相关说明，在此不再赘述。
[0112]
在一些可选的实现方式中，所述历史步视觉信息包括历史步视觉特征；所述历史步信息还包括历史步可靠度，以及冗余信息处理单元401进一步用于：从当前步视觉信息中提取当前步视觉特征；根据当前步视觉特征及历史步可靠度，对历史步信息集合中历史步视觉特征进行冗余信息处理，得到冗余信息处理后的第一历史步信息集合。
[0113]
在一些可选的实现方式中，冗余信息处理单元401进一步用于：将所述当前步视觉特征、历史步可靠度及历史步视觉特征输入到预设擦除单元，得到第一擦除信息；利用所述第一擦除信息对历史步信息集合中的历史步视觉特征进行冗余信息处理，得到第一历史步信息集合。
[0114]
在一些可选的实现方式中，文本指令信息包括指令文本特征；第一历史步信息集合中包括冗余信息处理后的至少一个第一历史步视觉特征；所述移动信息确定单元402进一步用于：将所述第一历史步信息集合中的各第一历史步视觉特征、当前步视觉特征以及下一步视角特征与文本指令特征进行跨模态特征信息处理，得到第二历史步视觉特征集合、第一下一步视角特征和第一文本指令特征；根据所述第二历史步视觉信息集合、第一下一步视角特征和第一文本指令特征确定下一步的移动信息。
[0115]
在一些可选的实现方式中，所述移动信息确定单元402进一步用于：将所述第一历
史步信息集合中的各第一历史步视觉特征、当前步视觉特征以及下一步视角特征与文本指令特征，输入到预先训练的跨模态转换单元，由所述跨模态转换单元输出所述第二历史步视觉信息集合、第一下一步视角特征和第一文本指令特征；所述跨模态转换单元用于对视觉特征和文本特征进行交叉处理。
[0116]
在一些可选的实现方式中，所述跨模态转换单元包括多级组合网络，每一个组合网络包括：注意力网络、自注意力网络和前馈网络。
[0117]
在一些可选的实现方式中，导航装置还包括可靠度确定单元403，所述可靠度确定单元403用于：将所述第一历史步信息集合中的各第一历史步视觉特征、当前步视觉特征以及下一步视角特征与文本指令特征进行跨模态特征信息处理，得到第二历史步视觉信息集合、第一下一步视角特征和第一文本指令特征；将所述第二历史步视觉信息集合中的第二历史步视觉特征、历史步对应的可靠度和第一文本指令特征输入到预设擦除单元，得到第二擦除信息；利用所述第二擦除信息对第二历史步视觉特征集合中的各历史步视觉特征进行冗余信息处理，得到所述第三历史步视觉信息集合；根据所述第三历史步视觉信息集合中的第三视觉全局特征和第一指令文本特征确定当前步视觉特征的可靠度。
[0118]
在一些可选的实现方式中，可靠度确定单元403进一步用于：将所述第三视觉全局特征和第一指令文本特征输入到预先训练的可靠度预测单元，由所述可靠度预测单元输出当前步视觉特征的可靠度。
[0119]
请参考图5，图5示出了本公开的一个实施例的导航方法可以应用于其中的示例性系统架构。
[0120]
如图5所示，系统架构可以包括智能终端501，网络502，服务器503。网络502用以在智能终端501和服务器503之间提供通信链路的介质。网络504可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
[0121]
智能终端501可以通过网络502与服务器503交互，以接收或发送消息等。智能终端501可以为智能体。智能终端可以安装图像设置应用、通信应用和控制应用。智能终端501中的通信应用可以与服务器之间通过网络503进行信息交互。控制应用通过接收到的服务器的指令对智能终端进行动作控制。
[0122]
智能终端501可以是硬件，也可以是软件。当智能终端501为硬件时，可以是智能体。当智能终端501为软件时，可以安装在上述所列举的智能体中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
[0123]
服务器503可以提供各种服务，例如接收智能终端501发送的图像信息，对图像信息分析处理，将分析处理结果(例如智能体的下一步移动信息)发送给智能终端501。
[0124]
需要说明的是，本公开实施例所提供的导航方法可以由终端执行，相应地，导航装置可以设置在智能终端501中，也可以有服务器503执行，相应地，导航装置可以设置在服务器503中。
[0125]
应该理解，图5中的终端、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端、网络和服务器。
[0126]
下面参考图6，其示出了适于用来实现本公开实施例的电子设备的结构示意图。这里的电子设备泛指硬件形式的终端或服务器(例如图5中的智能终端或服务器)。本公开实
施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0127]
如图6所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储装置608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、rom 602以及ram 603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
[0128]
通常，以下装置可以连接至i/o接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
[0129]
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从rom 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
[0130]
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0131]
在一些实施方式中，客户端、服务器可以利用诸如http(hypertext transfer protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网
(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
[0132]
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
[0133]
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：基于获取的历史步信息集合及当前步的视觉信息，对历史步信息集合进行冗余信息处理，得到冗余信息处理后的第一历史步信息集合，所述历史步信息集合包括至少一个历史步信息，历史步信息包括历史步视觉信息；基于所述第一历史步信息集合、当前步的视觉信息及文本指令信息，确定下一步的移动信息。
[0134]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0135]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0136]
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。
[0137]
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。
[0138]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或
上述内容的任何合适组合。
[0139]
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
[0140]
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
[0141]
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。