arXiv ID:
2607.06882
arXiv 提交日期: 2026-07-08
GemNav:使用多模态大语言模型进行离散令牌视觉机器人导航 / GemNav: Discrete-Token Visual Robot Navigation using a Multimodal Large Language Model
1️⃣ 一句话总结
本文提出一种名为GemNav的视觉导航策略,它无需专门的视觉编码器和连续的输出头,仅通过微调一个冻结的多模态大语言模型的文本部分(使用LoRA技术),就能在极少量训练数据(仅8.7小时)下,让机器人在多个未见过的真实环境中(如停车场、化工厂和仓库)实现零样本导航,并且定位精度在0.25到0.42米之间,为机器人导航提供了一种数据高效、可直接部署的新方法。