返回
Memory-Driven Querying Transformer for Vision-and-Language Navigation
DOI:10.1007/978-981-95-5740-0_21.png)
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
IF:
0
论文数:
29
被引数:
0

