DynaNav: Dynamic Feature and Layer Selection for Efficient Visual Navigation

📄 arXiv: 2509.21930v1 📥 PDF

作者: Jiahui Wang, Changhao Chen

分类: cs.CV, cs.RO

发布日期: 2025-09-26

备注: Accepted as a poster in NeurIPS 2025

💡 一句话要点

DynaNav：针对高效视觉导航的动态特征与层选择方法

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 视觉导航 动态特征选择 早退机制 贝叶斯优化 机器人 具身智能 Transformer

📋 核心要点

  1. 现有视觉导航模型，特别是基于Transformer的模型，计算开销大且缺乏可解释性，难以在资源受限场景部署。
  2. DynaNav通过动态特征和层选择，根据场景复杂度自适应调整计算资源，提高效率和可解释性。
  3. 实验表明，DynaNav在多个数据集上显著降低了计算量、推理时间和内存占用，同时提升了导航性能。

📝 摘要（中文）

视觉导航对于机器人和具身智能至关重要。然而，现有的基础模型，特别是那些带有Transformer解码器的模型，存在计算开销高和缺乏可解释性的问题，限制了它们在资源受限场景中的部署。为了解决这个问题，我们提出了DynaNav，一个动态视觉导航框架，它基于场景复杂度自适应地选择特征和层。它采用可训练的硬特征选择器进行稀疏操作，从而提高效率和可解释性。此外，我们将特征选择集成到早退机制中，并使用贝叶斯优化来确定最佳退出阈值，以降低计算成本。在基于真实世界的数据集和模拟环境中的大量实验表明了DynaNav的有效性。与ViNT相比，DynaNav实现了2.26倍的FLOPs减少，42.3%的推理时间降低和32.8%的内存使用降低，同时提高了四个公共数据集上的导航性能。

🔬 方法详解

问题定义：现有基于Transformer的视觉导航模型计算量巨大，难以在资源受限的机器人平台上实时部署。同时，模型内部的特征重要性难以解释，不利于调试和优化。因此，需要一种高效且可解释的视觉导航方法。

核心思路：DynaNav的核心思想是根据场景的复杂程度，动态地选择重要的特征和网络层进行计算，从而减少不必要的计算开销。通过可训练的硬特征选择器来稀疏化特征，并利用早退机制提前终止不必要的网络层计算。

技术框架：DynaNav框架主要包含三个模块：特征选择模块、早退模块和导航模块。特征选择模块使用可训练的硬特征选择器，根据输入图像选择重要的特征。早退模块根据特征选择的结果和贝叶斯优化得到的阈值，决定是否提前终止网络层的计算。导航模块利用选择后的特征和网络层输出，进行导航决策。

关键创新：DynaNav的关键创新在于动态特征和层选择机制。与传统的静态网络结构相比，DynaNav能够根据场景复杂度自适应地调整计算资源，从而提高效率。此外，可训练的硬特征选择器提高了模型的可解释性，方便分析哪些特征对导航决策起关键作用。

关键设计：特征选择模块使用Gumbel-Softmax技巧实现可微分的硬特征选择。早退模块使用贝叶斯优化来寻找最佳的退出阈值，以平衡计算效率和导航性能。导航模块可以使用现有的导航模型，例如ViNT。损失函数包括导航损失、特征选择损失和早退损失，共同优化整个框架。

📊 实验亮点

DynaNav在四个公共数据集上进行了广泛的实验。与ViNT相比，DynaNav实现了2.26倍的FLOPs减少，42.3%的推理时间降低和32.8%的内存使用降低，同时提高了导航性能。这些结果表明DynaNav在效率和性能方面都优于现有方法。

🎯 应用场景

DynaNav适用于资源受限的机器人导航场景，例如无人机、移动机器人和自动驾驶汽车。该方法可以显著降低计算开销和内存占用，提高导航效率和实时性。此外，DynaNav的可解释性有助于调试和优化导航系统，并可应用于其他视觉任务中。

📄 摘要（原文）

Visual navigation is essential for robotics and embodied AI. However, existing foundation models, particularly those with transformer decoders, suffer from high computational overhead and lack interpretability, limiting their deployment in resource-tight scenarios. To address this, we propose DynaNav, a Dynamic Visual Navigation framework that adapts feature and layer selection based on scene complexity. It employs a trainable hard feature selector for sparse operations, enhancing efficiency and interpretability. Additionally, we integrate feature selection into an early-exit mechanism, with Bayesian Optimization determining optimal exit thresholds to reduce computational cost. Extensive experiments in real-world-based datasets and simulated environments demonstrate the effectiveness of DynaNav. Compared to ViNT, DynaNav achieves a 2.26x reduction in FLOPs, 42.3% lower inference time, and 32.8% lower memory usage, while improving navigation performance across four public datasets.