ScaleNavがネット動画で言語指定の局所ナビを学習

ScaleNavは、インターネット上の一人称視点動画から目標指向の視覚ダイナミクスを学習し、言語指示によるローカルナビゲーション用のロボット行動を生成するフレームワークである。シミュレーションでは、Short-Horizon OVONの単一視点版で86.5%、自社のHabitatGS-LNベンチマークで94.9%の成功率を達成し、評価した全ベースラインを上回った。さらに実四足歩行ロボットにも展開し、実環境でのナビゲーションへの汎化能力を確認したとしている。

Hugging Face Daily Papersより

推移を表示するための継続的な観測データがまだ足りません。