跳到正文
arXiv · 机器人与计算机视觉· Muyi Bao, Yuxin Cai, Hang Xu, Zongtai Li, Jinxi He, Jingfan Tang, Chen Lv, Ji Zhang, Yaqi Xie, Wenshan Wang·· 22 天前AI 评分72

Goal2Pixel:将目标定位到像素以实现视觉语言导航

Goal2Pixel: Grounding Goals to Pixels for Vision-Language Navigation

AI 导读

针对连续环境中的视觉语言导航任务,本文提出 Goal2Pixel 方法,将导航重构为可见可通行像素的定位问题,利用图像平面作为统一空间接口替代低层动作预测。该方法引入 ViKeyMem 记忆机制和坐标感知辅助损失,在无需外部数据的情况下,于 R2R-CE 和 RxR-CE 基准上达到具有竞争力的最先进水平,单集 VLM 调用次数减少至原来的六分之一且成功率提升显著。

来源:arXiv · 机器人与计算机视觉 · arxiv.org