تُعتبر تقديرات عدم اليقين (Uncertainty Estimation) في نماذج التنقل بين الرؤية واللغة (Vision-Language Navigation - VLN) مهمة جدًا، حيث تُساعد في تحديد التنبؤات الغامضة وغير الموثوقة، مما يمكّن الوكلاء من اتخاذ قرارات تنقل أكثر أماناً. في وسط هذه التحديات، يبرز إطار عمل متقدم يُعرف باسم "التنبؤ المطابق (Conformal Prediction - CP)"، الذي يعرض مقاربة واعدة لتقدير عدم اليقين في نماذج VLN.

ومع ذلك، تواجه هذه النماذج صعوبة في ضمان تغطية التقديرات خلال حلقات التنقل المتغيرة الطول، لذا تم اقتراح نموذج جديد باسم "التنبؤ المطابق العادي للحلقات (Episode-Normalized Conformal Prediction - ENCP)". هذه الطريقة تعيد تحديدScore عدم المطابقة بناءً على ثقة السياسة المتبقية، وتقوم بمعايرة حد أقصى واحد لكل حلقة.

توفر هذه المقاربة غطاءً للحقيقة الأرضية في كل خطوة مع احتمال لا يقل عن $1 - \alpha$، مما يُتيح الاعتماد بين الخطوات داخل الحلقة. وبتطبيق هذا النموذج على أربع سياسات VLN وثلاثة Scores عدم مطابقة في مجموعتي بيانات R2R و REVERIE، حقق ENCP جميع الأهداف المُبلغ عنها في تغطية الخطوات أثناء التقييم من المرئي إلى غير المرئي.

تظهر هذه النتائج المُثيرة أن نموذج ENCP يمكن أن يوفر تقديرات عدم يقين مستقلة عن النموذج، الأمر الذي قد يكون مفيدًا في تحديد الوقت الذي ينبغي لوكيل VLN فيه أن يعتمد على مُتنبئ أكثر قدرة، بما في ذلك المساعدة البشرية. إن هذه الابتكارات تمثل خطوة هامة نحو تعزيز جهة التنقل الذكي وتحقيق الأمان في التطبيقات الذكية المعتمدة على الذكاء الاصطناعي.