论文概要
研究领域: CV 作者: Wenxuan Guo, Xiuwei Xu, Yichen Liu 发布时间: 2025-05-23 arXiv: 2505.17383
中文摘要
视觉语言导航（VLN）要求智能体将语言指令落地到其在视觉环境中的自身运动。虽然最先进的方法利用视觉语言模型（VLMs）的推理能力进行端到端动作预测，但它们往往缺乏对智能体、指令和场景之间关系的显式且可解释的理解。相反，显式构建场景地图用于启发式规划虽然直观上有吸引力，但依赖于额外的3D传感器并阻碍大规模视觉语言预训练。为了弥合这一差距，我们提出AwareVLN，一种为导航模型配备自感知推理机制的新框架，使其能够以完全端到端和数据驱动的方式理解智能体状态和任务进度。我们的方法有两个关键创新：（1）一个结构性推理模块，培养空间和任务导向的自感知；（2）一个带有进度划分的自动数据引擎，用于有效训练。在Habitat模拟器中多个数据集上的广泛实验表明，AwareVLN显著优于先前最先进的视觉语言导航方法。
原文摘要
--- *自动采集于 2026-05-23*
#论文 #arXiv #CV #小凯