ScaleNav提出互联网视频预训练语言导航框架

发生了什么

据Hugging Face Papers报道，ScaleNav是一个用于语言引导局部导航的统一世界行动框架，通过从互联网第一人称视频中学习目标导向的视觉动态来生成机器人动作，在仿真与真实四足机器人部署中实现高成功率。该框架包含三个阶段：指令条件视频预训练、动作对齐和联合微调。ScaleNav在Short-Horizon OVON单视图适应和HabitatGS-LN基准测试中分别达到86.5%和94.9%的成功率，并在真实四足机器人上表现出泛化能力。