arrow
返回

Memory-Driven Querying Transformer for Vision-and-Language Navigation

delete2026-01-01
delete0
PRE
AI
J
Jin, Chuan
Z
Zhang, Yuting
Y
Yang, Boyuan *
DOI:10.1007/978-981-95-5740-0_21delete
delete原文链接
delete原文求助
delete分享
delete收藏
摘要

摘要

En 中文
视觉与语言导航(VLN)是指机器人通过遵循人类自然语言指令在视觉环境中导航的过程。VLN的一个关键挑战,特别是在长距离导航中,是如何高效地维持机器人对历史导航步骤的记忆。为解决此问题,我们提出了记忆驱动查询Transformer(MDQT),这是一种新型模型,利用可学习的固定长度记忆向量来编码历史信息。在每一步,记忆向量通过查询Transformer(Q-Former)与语言和视觉信息进行交互。MDQT随后预测下一步动作,并使用记忆更新模块(MUM)更新记忆向量。该模型在三个任务上进行预训练,并在模拟环境中进行微调。实验结果表明,MDQT在Room-to-Room(R2R)数据集上达到了53%的成功率(SR),优于基线模型。消融研究进一步验证了我们的预训练任务和MUM在提升导航性能方面的有效性。此外,我们将模型从模拟环境迁移到物理机器人上,使其能够在现实环境中导航。
Keyword:
Vision-and-language navigation
Robot learning
Embodied AI

期刊

P
PATTERN RECOGNITION AND COMPUTER VISION, PRCV 2025, PT XI
IF:
0
论文数:
29
被引数:
0

机构

N
nanjing university
学者数:
7.8W
论文数: 5.6W
被引数: 87
N
nankai university
学者数:
4.8W
论文数: 3.3W
被引数: 74
引用论文

引用论文

Long Short-Term Memory长短期记忆
err1997-11-01
err0
PREAI
errSepp Hochreiter; Jürgen Schmidhuber
err分享
err收藏
Reinforced Cross-Modal Matching and Self-Supervised Imitation Learning for Vision-Language Navigation
err2019-06-01
err0
errOAAI
errXin Wang; Qiuyuan Huang; Asli Celikyilmaz; Jianfeng Gao; Dinghan Shen; Yuan-Fang Wang; William Yang Wang; Lei Zhang
err分享
err收藏
REVERIE: Remote Embodied Visual Referring Expression in Real Indoor Environments
err2020-06-01
err0
errOAAI
errYuankai Qi; Qi Wu; Peter Anderson; Xin Wang; William Yang Wang; Chunhua Shen; Anton van den Hengel
err分享
err收藏
学者 查看更多内容