GTA解耦式视觉语言导航框架提出

2026年11月10日，arXiv Robotics 刊出 Zerui Li 等作者的 GTA 视觉语言导航框架研究。该工作提出解耦式设计，将低层空间状态估计与高层语义规划分离：通过融合累积几何与导航历史的多模态接口，向多模态大模型（MLLM）提供显式度量世界表征，并引入反事实分支推理校验预期结果、修正导航决策。实验方面，GTA 在 R2R-CE val-unseen 完整划分上成功率达 48.8%，在 260 回合的英文 RxR-CE val-unseen 子集上为 46.2%。作者还报告该框架已迁移至轮式、四足与空中机器人。目前报道未提及与其他方法的对比或后续计划，事件进展停留在论文发布与基准结果公布阶段。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。