Michael Munje

新基准揭示视觉语言模型在社交机器人导航方面存在困难

研究人员推出了社交导航场景理解基准（SocialNav-SUB），这是一个新的数据集和评估框架，旨在测试视觉语言模型（VLMs）在理解机器人复杂社交导航场景方面的能力。该基准在最近的一篇arXiv论文中提出，包含视觉问答任务，评估VLMs在空间、时空和社会动力学方面对代理进行推理的能力。初步实验表明，即使是最先进的VLMs，其表现也逊于更简单的基于规则的方法和人类共识，这凸显了它们在人类机器人交互应用中的社交场景理解方面存在显著差距。