零样本机器人导航中的性能与效率平衡

我们提出了对应用于机器人目标导航任务的视觉-语言前沿地图（VLFM）的优化研究。我们的工作评估了各种视觉-语言模型、目标检测器、分割模型以及多模态理解和视觉问答模块的效率和性能。使用Habitat-Matterport 3D数据集的$\textit{val-mini}$和$\textit{val}$子集，我们在有限VRAM的桌面上进行实验。我们提出的方案实现了更高的成功率（+1.55%），在未显著损失成功加权路径长度的情况下优于VLFM BLIP-2基线，同时所需视频内存减少了$\textbf{2.3倍}$。我们的发现为平衡模型性能和计算效率提供了见解，为资源受限环境下的有效部署策略提供了建议。