通用视觉语言导航模型ABot-N1
acvlab · hf · 2026-07-14
这篇论文提出 **ABot-N1**，目标是做一个通用的视觉语言导航基础模型。 作者认为，现有方法常见问题是把观察直接映射到动作，容易出现坐标漂移、长尾语义处理差、黑盒难解释。为此，ABot-N1 采用了“**慢-快**”结构，把认知和控制解耦： - **慢速 vision-language reasoner**：先做显式 Chain-of-Thought 推理，并生成像素级目标点。 - **像素锚点**：这些图像空间中的锚点作为通用接口，可用于 point-goal、object-goal、poi-goal、指令跟随和跟人等任务。 - **快速 action expert**：再结合文本线索和像素引导，在原生控制频率下输出连续航点。 论文声称该方法在模拟和真实世界基准上都更稳健，并在城市尺度导航上取得显著提升：POI arrival 提升 35.0%，达到 77.3%；在复杂室内/室外场景中 SR 达到 95.4%/92.9%。此外，作者还开放了新的 Point-Goal / POI-Goal 基准。