NavQNA

新框架使用知识图谱实现具身AI的持久化场景记忆

研究人员开发了VL-KnG，一个新颖的框架，它从以自我为中心的视频构建时空知识图谱，作为具身问答的持久化场景记忆。该方法允许视觉语言模型在不为每次查询重新处理原始视频的情况下维护对象身份和空间关系，从而显著降低延迟。VL-KnG在OpenEQA和WalkieKnowledge等基准测试中展示了具有竞争力的准确性，在某些场景下优于现有的持久化表示基线和开放权重VLM，并已成功部署在实体机器人上。