研究人员开发了CityNav-VLA,一种用于城市空中导航的新型双帧视觉-语言-动作模型。该模型集成了动态的以自我为中心的感知和稳定的以空间为中心的记忆,使无人机(UAV)能够根据自然语言指令进行导航。通过在固定地图上保留视觉证据并使用确定性控制器将全局推理转化为以自我为中心的指令,CityNav-VLA提高了导航精度和成功率。该系统还包含一个早期目标承诺机制来稳定目标预测,并展示了卓越的效率,一个4B规模的骨干模型在单个A100上平均每决策0.68秒。 AI
影响 这项研究可能为复杂城市环境中无人机的更强大、更高效的自主导航系统铺平道路。
排序理由 这是一篇详细介绍新模型及其在特定任务上性能的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →