摘要

本文介绍了一种针对新环境生成高质量合成数据的大规模增强方法，用于解决Rendezvous（RVS）导航任务中在新环境中性能显著下降的问题。该方法利用现成的地理空间数据构建了一个基于实体关系的接地知识图谱，并通过上下文无关文法（CFG）和大型语言模型（LLM）生成导航指令。实验结果显示，该方法在未见环境中的100米精度提高了45.83%，并证明CFG增强方法在未见和已见环境中均优于LLM增强方法。这些发现表明，显式结构化空间信息对于基于文本的地理空间推理在先前未知的环境中具有潜在优势，能够解锁数据稀缺场景。

原理

本文提出的方法通过以下步骤生成高质量的合成数据：首先，利用开源地理空间数据构建一个接地知识图谱，捕捉实体之间的空间关系。然后，通过两种方法生成导航指令：一是使用上下文无关文法（CFG）生成大量模板，将特定实体和关系嵌入其中；二是将实体和关系输入大型语言模型（LLM），生成指令。这两种方法都旨在确保生成的指令既准确又具有良好的接地性，从而提高模型在RVS任务中的性能。

流程

1. 构建知识图谱：从开源地理空间数据中提取实体及其空间关系，构建一个接地知识图谱。
2. 采样实体和关系：从知识图谱中采样实体和关系，例如“商店在学校的北边”。
3. 生成导航指令：
   • CFG方法：使用CFG生成大量模板，将采样的实体和关系嵌入模板中，生成导航指令。
   • LLM方法：将采样的实体和关系输入LLM，生成导航指令。
4. 评估和优化：在RVS数据集上评估生成的指令，通过比较不同方法的性能，优化生成策略。

应用

本文提出的方法不仅适用于RVS导航任务，还具有广泛的应用前景，包括但不限于：

• 地理信息检索（GIR）：通过生成高质量的地理空间描述，提高地理信息检索的准确性和效率。
• 灾难响应：在灾难响应场景中，帮助缺乏正式地址的人们通过自然语言描述找到目的地。
• 智能导航系统：为智能导航系统提供更丰富、更准确的自然语言导航指令。