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:2508.07642v1

帮助 | 高级搜索

计算机科学 > 人工智能

arXiv:2508.07642v1 (cs)
[提交于 2025年8月11日 ]

标题: 分解与构建:基于技能的视觉-语言导航智能体混合

标题: Breaking Down and Building Up: Mixture of Skill-Based Vision-and-Language Navigation Agents

Authors:Tianyi Ma, Yue Zhang, Zehao Wang, Parisa Kordjamshidi
摘要: 视觉与语言导航(VLN)在使代理理解自然语言指令并导航复杂三维环境方面提出了重大挑战。 尽管最近的进展是由大规模预训练和数据增强推动的,但当前方法在推广到未见过的场景时仍然存在困难,尤其是在需要复杂的空间和时间推理时。 在本工作中,我们提出了SkillNav,一种模块化框架,该框架将结构化的基于技能的推理引入基于Transformer的VLN代理。 我们的方法将导航分解为一组可解释的基本技能(例如,垂直移动、区域和区域识别、停止和暂停),每个技能由一个专用代理处理。 然后,我们引入了一个新的零样本视觉-语言模型(VLM)路由器,该路由器通过将子目标与视觉观察和历史动作对齐,在每个时间步动态选择最合适的代理。 SkillNav在R2R基准上实现了新的最先进性能,并展示了对包含新指令风格和未见过环境的GSA-R2R基准的强大泛化能力。
摘要: Vision-and-Language Navigation (VLN) poses significant challenges in enabling agents to interpret natural language instructions and navigate complex 3D environments. While recent progress has been driven by large-scale pre-training and data augmentation, current methods still struggle to generalize to unseen scenarios, particularly when complex spatial and temporal reasoning is required. In this work, we propose SkillNav, a modular framework that introduces structured, skill-based reasoning into Transformer-based VLN agents. Our method decomposes navigation into a set of interpretable atomic skills (e.g., Vertical Movement, Area and Region Identification, Stop and Pause), each handled by a specialized agent. We then introduce a novel zero-shot Vision-Language Model (VLM)-based router, which dynamically selects the most suitable agent at each time step by aligning sub-goals with visual observations and historical actions. SkillNav achieves a new state-of-the-art performance on the R2R benchmark and demonstrates strong generalization to the GSA-R2R benchmark that includes novel instruction styles and unseen environments.
评论: 18页,5图,
主题: 人工智能 (cs.AI) ; 计算与语言 (cs.CL); 计算机视觉与模式识别 (cs.CV)
引用方式: arXiv:2508.07642 [cs.AI]
  (或者 arXiv:2508.07642v1 [cs.AI] 对于此版本)
  https://doi.org/10.48550/arXiv.2508.07642
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Tianyi Ma [查看电子邮件]
[v1] 星期一, 2025 年 8 月 11 日 05:50:30 UTC (8,266 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
许可图标 查看许可
当前浏览上下文:
cs.AI
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-08
切换浏览方式为:
cs
cs.CL
cs.CV

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