Jiazhao Zhang

MM-Nav：多视图VLA模型增强视觉导航能力

研究人员开发了MM-Nav，一种新颖的多视图视觉-语言-动作（VLA）模型，旨在实现鲁棒的视觉导航。该模型利用预训练的大型语言和视觉基础模型，通过合成专家数据以师生方式进行训练。该系统从三个强化学习专家在不同环境中收集数据，动态平衡训练比例以优化到达、挤压和避障任务的性能。实验表明，MM-Nav 实现了强大的泛化能力，并且优于其专家教师，实际测试证实了其有效性。