Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2508.02549

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2508.02549 (cs)
[提交于 2025年8月4日 ]

标题: MonoDream:全景梦境的单目视觉语言导航

标题: MonoDream: Monocular Vision-Language Navigation with Panoramic Dreaming

Authors:Shuo Wang, Yongcai Wang, Wanting Li, Yucheng Wang, Maiyue Chen, Kaihui Wang, Zhizhong Su, Xudong Cai, Yeying Jin, Deying Li, Zhaoxin Fan
摘要: 视觉-语言导航(VLN)任务通常利用全景RGB和深度输入来提供丰富的空间线索以进行动作规划,但这些传感器在现实世界的部署中可能成本较高或难以获取。 基于视觉-语言动作(VLA)模型的最新方法使用单目输入取得了良好的结果,但它们仍然落后于使用全景RGB-D信息的方法。 我们提出了MonoDream,一个轻量级的VLA框架,使单目代理能够学习统一导航表示(UNR)。 这种共享特征表示联合对齐与导航相关的视觉语义(例如,全局布局、深度和未来线索)和语言引导的动作意图,从而实现更可靠的动作预测。 MonoDream进一步引入了潜在全景梦境(LPD)任务来监督UNR,这训练模型仅基于单目输入就预测当前和未来步骤的全景RGB和深度观测的潜在特征。 在多个VLN基准上的实验表明,MonoDream始终提升了单目导航性能,并显著缩小了与基于全景的代理之间的差距。
摘要: Vision-Language Navigation (VLN) tasks often leverage panoramic RGB and depth inputs to provide rich spatial cues for action planning, but these sensors can be costly or less accessible in real-world deployments. Recent approaches based on Vision-Language Action (VLA) models achieve strong results with monocular input, yet they still lag behind methods using panoramic RGB-D information. We present MonoDream, a lightweight VLA framework that enables monocular agents to learn a Unified Navigation Representation (UNR). This shared feature representation jointly aligns navigation-relevant visual semantics (e.g., global layout, depth, and future cues) and language-grounded action intent, enabling more reliable action prediction. MonoDream further introduces Latent Panoramic Dreaming (LPD) tasks to supervise the UNR, which train the model to predict latent features of panoramic RGB and depth observations at both current and future steps based on only monocular input. Experiments on multiple VLN benchmarks show that MonoDream consistently improves monocular navigation performance and significantly narrows the gap with panoramic-based agents.
主题: 计算机视觉与模式识别 (cs.CV) ; 机器人技术 (cs.RO)
引用方式: arXiv:2508.02549 [cs.CV]
  (或者 arXiv:2508.02549v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2508.02549
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Shuo Wang [查看电子邮件]
[v1] 星期一, 2025 年 8 月 4 日 16:01:30 UTC (13,056 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-08
切换浏览方式为:
cs
cs.RO

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号