ScaleNav：面向语言条件局部导航的可扩展互联网视频预训练
ScaleNav利用互联网上的第一人称视角视频，帮助机器人前往由语言指定的目标。其三阶段训练流程先从视频中学习面向目标的视觉变化，再借助带动作标注的仿真数据将其对齐到可执行的动作序列，最后联合微调各个组件。在两项基准测试中，ScaleNav的成功率分别达到86.5%和94.9%，超过受测基线方法。在真实四足机器人上的测试也为其迁移至现实环境导航的能力提供了证据。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。