VLA / 视觉-语言-动作模型

What Limits Vision-and-Language Navigation ?

什么是限制视觉-语言导航的因素？

Yunheng Wang, Yuetong Fang, Taowen Wang, Lusong Li, Kun Liu, Junzhe Xu, Zizhao Yuan, Yixiao Feng, Jiaxi Zhang, Wei Lu, Zecui Zeng, Renjing Xu

机构 * HKUST(GZ)（香港科技大学（广州）） ； JD Explore Academy（京东探索研究院） 纠错

专题命中 部署与泛化 ：vision-language-action(abstract)；分类 cs.RO、cs.CV、cs.AI

AI总结 本文提出StereoNav框架，通过引入目标-位置先验和立体视觉，提升真实环境导航一致性，实验显示其在RGB性能和参数效率上优于现有方法。