Vision-Language Navigation进阶
GeoScaffold 用训练时几何重建让 VLN 策略摆脱深度传感器
这是预印本,未经同行评审。GeoScaffold 提出一种训练时几何监督框架,让端到端 VLN 策略从 RGB 和文本中学习几何隐表示,推理时不依赖深度传感器或 3D 编码器。在 R2R-CE 和 RxR-CE 上,4B 模型达到 64.8% SR 和 60.5% SPL,超过多个 7B 基线,同时每帧 81 ms。
机器人与具身智能领域的最新论文,以及每篇对产业的意义。
这是预印本,未经同行评审。GeoScaffold 提出一种训练时几何监督框架,让端到端 VLN 策略从 RGB 和文本中学习几何隐表示,推理时不依赖深度传感器或 3D 编码器。在 R2R-CE 和 RxR-CE 上,4B 模型达到 64.8% SR 和 60.5% SPL,超过多个 7B 基线,同时每帧 81 ms。
NavHarness 是哈尔滨工业大学(深圳)等机构发布在 arXiv 的预印本框架,面向视觉语言导航任务。它提出目标智能体、验证智能体、记忆智能体和视觉运动智能体,用自适应目标与完成验证对齐执行,并在验证完成时压缩历史。在 R2R-CE 和 RxR-CE 上,基于 GPT-6-Astra 的 NavHarness 零样本成功率分别达到 79.0% 和 82.5%,优于同骨干的 Codex CLI;真机测试成功率 83.3%,导航误差 1.51 米。
论文来自 arXiv 机器人领域。尚未生成摘要的论文,显示摘要开头部分。