GemNav：基于多模态大语言模型的视觉机器人导航策略发布

Peter Bohm 等研究者提出名为 GemNav 的视觉导航策略。该方案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，并软解码为连续坐标执行。 研究团队在仅 8.7 小时的 SCAND 公开数据集上训练该策略，数据量比竞品少三个数量级。实验表明，其分布外泛化能力及避障可靠性显著优于连续回归头。 该策略无需针对平台重新训练，即可迁移至未知环境及三种不同物理构型的机器人平台，展现了良好的通用性。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。