Embodied-Navigator：通过指点、思考、记忆与对齐实现高效导航
研究人员提出了 TAMP-Nav，一种利用大型视觉语言模型进行具身导航的框架。系统不要求模型直接预测复杂的三维动作，而是先选择图像中的二维像素，再将其投影为三维坐标，由底层 SLAM 控制器执行。选择性推理和基于锚点的轨迹记忆机制减少了不必要的计算，同时保留关键历史信息。基于 GRPO 的两级对齐方法结合全局结果奖励与细粒度过程奖励。作者报告称，TAMP-Nav 在 R2R-CE 上达到 66.2% 的成功率，训练仅需 9 万条轨迹。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。