vlm导航 - vlm导航技术,学习,经验文章

Felaim

3 小时前

Embodied-Navigator TAMP-Nav论文精读一句话定位让视觉语言模型（VLM，看图+读懂文字的大模型）在导航里只做「在图上点一下下一步该去哪」，深度与 SLAM 控制器负责变成 3D 路点并走过去；只在岔路口等关键处思考，中间路程压成轻量时空标记；再用双层 GRPO 强化学习把「想不想」和「走得好不好」对齐。主结果：R2R-CE Val-Unseen SR 66.2%，仅约 90k 条轨迹。