视觉语言导航：大模型时代的综述

文章预览

来源：专知 本文 约3000字 ，建议阅读 5 分钟 在本综述中，我们提供了一种自上而下的审视方法，采用了一种原则性框架进行具身规划和推理，并强调了利用基础模型应对VLN挑战的当前方法和未来机会 。 视觉与语言导航（VLN）近年来受到越来越多的关注，许多方法已经涌现出来以推动其发展。基础模型的显著成就已经塑造了VLN研究的挑战和提出的方法。 在本综述中，我们提供了一种自上而下的审视方法，采用了一种原则性框架进行具身规划和推理，并强调了利用基础模型应对VLN挑战的当前方法和未来机会 。我们希望通过深入的讨论提供有价值的资源和见解：一方面，用以标记进展里程碑，探索基础模型在该领域的机会和潜在作用；另一方面，为基础模型研究者整理VLN中的各种挑战和解决方案。 开发能够与人类及其周围环境互动的具身代理是人工 ………………………………