连续环境中用于指令引导导航的路点模型

鲜有研究明确探讨动作空间在语言引导视觉导航中的作用——无论就其对于导航成功的影响，还是就机器人智能体执行所得轨迹的效率而言。基于近期发布的用于连续环境中指令跟随的VLN-CE设定，我们开发了一类语言条件的路点预测网络以考察该问题。我们改变这些模型的表现力，以探索从低级动作到连续路点预测之间的谱系。我们在一个已性能分析的LoCoBot机器人上度量任务表现与估计执行时间。我们发现更具表现力的模型产生更简单、执行更快的轨迹，但低级动作能通过更好地逼近最短路径实现更好的导航指标。此外，我们的模型在VLN-CE上优于先前工作，并在公开排行榜上确立了新的最先进水平——我们的最佳模型在该具挑战性任务上成功率提升了4%。