Tag · 4 篇
具身导航
01 02 03 04
NavForesee：面向分层规划与双视野导航预测的统一视觉语言世界模型
NavForesee: A Unified Vision-Language World Model for Hierarchical Planning and Dual-Horizon Navigation Prediction
将视觉语言模型同时作为高层规划器和生成式世界模型，通过预测短期环境动态与长期导航里程碑形成感知-规划-预测-动作的内部反馈闭环，为具身导航中的长程规划提供可复用的双视野预测框架。
FloVerse：户型图引导的多模态导航
FloVerse: Floor Plan-Guided Multi-Modal Navigation
把户型图作为紧凑空间先验注入具身导航策略，并用掩码模态建模训练扩散式多模态目标推理模块，可复用到任何需要跨模态目标定位与安全执行的视觉导航或VLA系统中。
带着长期记忆去探索：面向具身探索的基准与基于多模态大语言模型的强化学习框架
Explore with Long-term Memory: A Benchmark and Multimodal LLM-based Reinforcement Learning Framework for Embodied Exploration
把多模态大语言模型用强化学习微调成会主动查询长期记忆的探索策略，并给出多目标导航+记忆问答的评测协议，可直接复用到视觉导航与具身探索中的记忆机制设计。
AstraNav-Memory：面向长时记忆的上下文压缩
AstraNav-Memory: Contexts Compression for Long Memory
用冻结 DINOv3 特征加 PixelUnshuffle+Conv 构成的轻量视觉分词器把每帧压到约 30 个 token，使 VLM 策略能在单上下文里塞进数百帧历史；这套「图像中心压缩记忆」可直接迁移到任何需要长视觉历史输入的 VLM/具身策略中。