ScaleNav: 可扩展的网络视频预训练用于语言条件下的局部导航

研究人员提出ScaleNav框架，通过三阶段训练方法利用网络第一人称视频学习目标导向的视觉动态，支持机器人动作生成。该框架在Short-Horizon OVON单视图适应基准上达到86.5%成功率，在HabitatGS-LN基准上达到94.9%成功率，优于评估的基线模型，并在真实四足机器人上部署验证了泛化能力。