Tag · 5 篇
具身问答
机器人何时该说「我不知道」：具身问答中弃权行为的基准评测
When Robots Should Say ''I Don't Know'': Benchmarking Abstention in Embodied Question Answering
为视觉语言模型在具身场景中引入「拒答」能力提供了可复用的评测基准与五类弃权分类法，做 VLM 可靠性或交互式问答时可据此设计拒答召回指标与歧义问题构造流程。
R4：面向视觉语言模型在 4D 时空空间中的检索增强推理
R4: Retrieval-Augmented Reasoning for Vision-Language Models in 4D Spatio-Temporal Space
把物体级语义描述锚定到度量空间与时间轴上构建可跨智能体共享的 4D 知识库，并用语义/空间/时序三路键做检索，为 VLM 在具身场景中提供免训练的长时记忆与时空推理能力，可直接迁移到导航与情景问答。
先预测再探索：面向具身问答的专用记忆预测式规划
Predict Before You Explore: Predictive Planning with Specialized Memory for Embodied Question Answering
把「预测-纠错」循环引入具身导航规划：高层规划器先预测问题相关证据可能出现的位置并生成少量长时程探索分支，低层执行器在分支内降低不确定性并在预测失败时修正；同时用结构先验记忆与问题相关视觉证据记忆分离的双记忆设计，可直接迁移到任何部分可观测下的视觉主动探索与长时程导航任务。
将具身问答从感知扩展到决策
Extending Embodied Question Answering from Perception to Decision
为视觉语言模型在具身环境中的空间理解与交互推理提供了统一的四层级评测框架（静态场景构建、空间理解、任务动态推理、即时决策），并配套 RoboDecision 基线，可直接用于诊断 VLM 在感知到行动决策链条上的短板。
BridgeEQA：面向真实桥梁巡检的虚拟具身智能体
BridgeEQA: Virtual Embodied Agents for Real Bridge Inspections
将基础设施巡检建模为情景记忆具身问答任务，并提出以马尔可夫决策过程求解的 EMVR 框架；其『引用相关图像』的评测指标与长程多尺度空间推理设定，可迁移到需要跨视角检索证据的视觉语言任务。