返回
Process Adaptive Learning for Visual-Language Navigation
DOI:10.1007/978-3-032-04555-3_14.png)
摘要
En 中文
视觉语言导航(VLN)要求智能体理解语言指令并在未见环境中导航。智能体需要将语言指令与实时和历史特征对齐以实现目标定位。现有方法难以将指令与环境对齐,且依赖刚性的导航过程,限制了在未见环境中的性能。这源于指令与导航过程之间的脱节,以及终点与指令之间的弱相关性,干扰了导航。因此,我们提出了一种过程自适应跨模态Transformer(PART),它根据指令动态调整导航历史,并将实时动作预测与记忆推理相联系。该方法增强了指令与环境的对齐,同时减轻了重叠轨迹的负面影响。此外,PART采用距离自适应损失函数,以减少对特定轨迹的依赖并强化目标导向学习,提升了在未见环境中的泛化能力。在目标导向的VLN基准REVERIE和逐步VLN基准R2R上,PART超越了以往的最优方法。
Keyword:
Vision and language
Embodied AI
Agent
Navigation
期刊
A
IF:
0
论文数:
30
被引数:
0

