GemNav：基于多模态大语言模型的离散Token视觉机器人导航

GemNav利用多模态大语言模型，将机器人导航路径点映射为离散度量值箱的类别分布，从而高效适配机器人导航。 该策略仅在8.7小时的公开SCAND数据集上训练，数据量比竞对小三个数量级；实验显示其分布外泛化能力和避障可靠性显著优于连续回归头。 同一策略无需针对平台重新训练，即可迁移至未知环境和三种物理构型不同的机器人平台。