EVT-Bench

ReferTrack 以单摄像头方法实现具身视觉跟踪的SOTA

研究人员开发了ReferTrack，一个新颖的具身视觉跟踪（EVT）系统，它使用单个前向摄像头来跟踪自然语言描述的目标。该系统首先通过边界框识别目标，然后规划轨迹来指导其决策。ReferTrack 包含过去边界框的时间记忆，并通过在自定义的Refer-QA数据集上进行联合训练来增强。它在EVT-Bench上取得了最先进的性能，优于一些多摄像头系统，并在腿式和人形机器人上展示了强大的现实世界迁移能力。