arXiv · 机器人与计算机视觉· Peter Bohm, Saimunur Rahman, Abdelwahed Khamis, Sagun Man Singh Shrestha, Chris McCool, Peyman Moghadam·· 2026-10-20AI 评分72
GemNav:基于多模态大模型的离散 Token 机器人导航策略
GemNav: Discrete-Token Visual Robot Navigation using a Multimodal Large Language Model
AI 导读
论文提出 GemNav,一种将机器人局部航点坐标表示为离散度量值分数的概率分布并软解码为连续坐标执行的视觉导航策略。该方法利用度量距离目标采样构建训练轨迹,仅需 8.7 小时 SCAND 公开数据集即可训练,在未见环境和三种物理不同的机器人平台上实现了无需重新训练的跨平台迁移,且相比基于帧的采样和连续回归头展现了更可靠的避障与分布外泛化能力。
来源:arXiv · 机器人与计算机视觉 · arxiv.org