面向城市场景的具身导航长尾问题研究

来自多所机构的研究人员提出一种可扩展框架，用于从网络规模的第一视角视频中学习面向点目标的城市场景具身导航策略。该框架能够自动为未整理的网页视频标注度量轨迹和结构化导航语义，并用于训练视觉-语言-动作策略，以实现可解释的导航规划。研究人员根据模型模型AI 模型的简称，指经过训练、能从输入算出输出的程序。机器人的模型输入画面和指令，输出动作。◆ 小白科普 · 现身性能以及感知-运动模式的分布刻画长尾现象，并采用基于反思的分析方法来诊断反复出现的失败模式。在网页视频数据和真实城市场景导航任务上的实验表明，该方法能够从未经约束的视频中有效迁移知识，并揭示超越聚合导航性能的连贯长尾结构。