vln

VLN 领域首个双系统基础模型，三大基准 SOTA，重新定义导航技术上限！目录系统2：慢思考的“大脑”系统1：快行动的“小脑”System 2 的核心功能——从3D路径到2D路标的自动生成

视觉语言导航从入门到精通（四）本文是「视觉语言导航从入门到精通」系列的第四篇，介绍VLN领域的前沿方法和最新研究进展。VLN领域经历了三个主要发展阶段：

视觉语言导航从入门到精通（一）本文是「视觉语言导航从入门到精通」系列的第一篇，主要介绍VLN的基本概念、研究背景和发展历程。视觉语言导航（Vision-and-Language Navigation, VLN）是一个跨模态的具身智能任务，要求智能体（Agent）根据自然语言指令，在真实或模拟的3D环境中进行导航，最终到达目标位置。

视觉语言导航从入门到精通（二）本文是「视觉语言导航从入门到精通」系列的第二篇，详细介绍VLN领域的主流数据集和评估指标。R2R是VLN领域最经典、使用最广泛的benchmark数据集。

视觉语言导航从入门到精通（三）本文是「视觉语言导航从入门到精通」系列的第三篇，深入讲解VLN的核心模型架构和关键技术。VLN Agent 架构

LOVON——面向足式Open-Vocabulary的物体导航：LLM做任务分解、YOLO11做目标检测，最后L2MM将指令和视觉映射为动作(且解决动态模糊)因为项目需要(比如我们在做的两个展厅讲解订单)，近期我一直在研究VLN相关，有些工作哪怕暂时还没开源(将来可能会开源)，但也依然会解读，比如好处之一是构建完整的VLN知识体系，本文便是其中一例

NaVid——基于视频的VLM规划「视觉语言导航VLN」的下一步：含VLN-CE、MP3D的详解因为我司准备于25年7月底复现下NaVILA，而在研究NaVILA的过程中，注意到了这个NaVid故成此文

VLA 论文精读（十六）FP3: A 3D Foundation Policy for Robotic Manipulation这篇论文是2025年发表在arxiv上的一个3D VLA论文，稍微有一种大力出奇迹的感觉，3D感知部分将点云转到同一个坐标系下，然后用 Uni3D 进行编码；语言指令直接用 CLIP 输出不参与训练；整体模型还是需要大量的泛化场景进行预训练，然后针对不同的任务进行微调，但作者说微调后可以很好的泛化到不同场景以及物体上；

我是有底线的