Buchumschlag

Towards Long-Horizon Vision-Language Navigation: Platform, Benchmark and Method

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Song, Xinshuai, Chen, Weixing, Liu, Yang, Chen, Weikai, Li, Guanbin, Lin, Liang
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

MEIA: Multimodal Embodied Perception and Interaction in Unknown Environments
von: Liu, Yang, et al.
Veröffentlicht: (2024)

OVER-NAV: Elevating Iterative Vision-and-Language Navigation with Open-Vocabulary Detection and StructurEd Representation
von: Zhao, Ganlong, et al.
Veröffentlicht: (2024)

Towards Realistic UAV Vision-Language Navigation: Platform, Benchmark, and Methodology
von: Wang, Xiangyu, et al.
Veröffentlicht: (2024)

MarvelOVD: Marrying Object Recognition and Vision-Language Models for Robust Open-Vocabulary Object Detection
von: Wang, Kuo, et al.
Veröffentlicht: (2024)

LookasideVLN: Direction-Aware Aerial Vision-and-Language Navigation
von: Ning, Yuwei, et al.
Veröffentlicht: (2026)

Beyond the Destination: A Novel Benchmark for Exploration-Aware Embodied Question Answering
von: Jiang, Kaixuan, et al.
Veröffentlicht: (2025)

GUIDED: Granular Understanding via Identification, Detection, and Discrimination for Fine-Grained Open-Vocabulary Object Detection
von: Li, Jiaming, et al.
Veröffentlicht: (2026)

DDP-WM: Disentangled Dynamics Prediction for Efficient World Models
von: Yin, Shicheng, et al.
Veröffentlicht: (2026)

3DAffordSplat: Efficient Affordance Reasoning with 3D Gaussians
von: Wei, Zeming, et al.
Veröffentlicht: (2025)

DSPNet: Dual-vision Scene Perception for Robust 3D Question Answering
von: Luo, Jingzhou, et al.
Veröffentlicht: (2025)

Cross-Modal Causal Intervention for Medical Report Generation
von: Chen, Weixing, et al.
Veröffentlicht: (2023)

Aerial Vision-and-Language Navigation with Grid-based View Selection and Map Construction
von: Zhao, Ganlong, et al.
Veröffentlicht: (2025)

OASIS: On-Demand Hierarchical Event Memory for Streaming Video Reasoning
von: Liang, Zhijia, et al.
Veröffentlicht: (2026)

DART: Differentiable Dynamic Adaptive Region Tokenizer for Vision Foundation Models
von: Yin, Shicheng, et al.
Veröffentlicht: (2025)

LongFly: Long-Horizon UAV Vision-and-Language Navigation with Spatiotemporal Context Integration
von: Jiang, Wen, et al.
Veröffentlicht: (2025)

Structured Preference Optimization for Vision-Language Long-Horizon Task Planning
von: Liang, Xiwen, et al.
Veröffentlicht: (2025)

PhyScene3D: Physically Consistent Interactive 3D Tabletop Scene Generation
von: Chen, Weixing, et al.
Veröffentlicht: (2026)

AdaDrive: Self-Adaptive Slow-Fast System for Language-Grounded Autonomous Driving
von: Zhang, Ruifei, et al.
Veröffentlicht: (2025)

MedHorizon: Towards Long-context Medical Video Understanding in the Wild
von: Du, Bodong, et al.
Veröffentlicht: (2026)

Recurrent Reasoning with Vision-Language Models for Estimating Long-Horizon Embodied Task Progress
von: Zhang, Yuelin, et al.
Veröffentlicht: (2026)

PokeGym: A Visually-Driven Long-Horizon Benchmark for Vision-Language Models
von: Zhang, Ruizhi, et al.
Veröffentlicht: (2026)

AutoLayout: Closed-Loop Layout Synthesis via Slow-Fast Collaborative Reasoning
von: Chen, Weixing, et al.
Veröffentlicht: (2025)

Learning to See and Act: Task-Aware Virtual View Exploration for Robotic Manipulation
von: Bai, Yongjie, et al.
Veröffentlicht: (2025)

Aligning Cyber Space with Physical World: A Comprehensive Survey on Embodied AI
von: Liu, Yang, et al.
Veröffentlicht: (2024)

ODMixer: Fine-grained Spatial-temporal MLP for Metro Origin-Destination Prediction
von: Liu, Yang, et al.
Veröffentlicht: (2024)

Actional Atomic-Concept Learning for Demystifying Vision-Language Navigation
von: Lin, Bingqian, et al.
Veröffentlicht: (2023)

DeepShield: Fortifying Deepfake Video Detection with Local and Global Forgery Analysis
von: Cai, Yinqi, et al.
Veröffentlicht: (2025)

VisionGRU: A Linear-Complexity RNN Model for Efficient Image Analysis
von: Yin, Shicheng, et al.
Veröffentlicht: (2024)

CapNav: Benchmarking Vision Language Models on Capability-conditioned Indoor Navigation
von: Su, Xia, et al.
Veröffentlicht: (2026)

GeoSplatting: Towards Geometry Guided Gaussian Splatting for Physically-based Inverse Rendering
von: Ye, Kai, et al.
Veröffentlicht: (2024)

LongNav-R1: Horizon-Adaptive Multi-Turn RL for Long-Horizon VLA Navigation
von: Hu, Yue, et al.
Veröffentlicht: (2026)

Trajectory-Diversity-Driven Robust Vision-and-Language Navigation
von: Li, Jiangyang, et al.
Veröffentlicht: (2026)

MagicWorld: Towards Long-Horizon Stability for Interactive Video World Exploration
von: Li, Guangyuan, et al.
Veröffentlicht: (2025)

MemLens: Benchmarking Multimodal Long-Term Memory in Large Vision-Language Models
von: Ren, Xiyu, et al.
Veröffentlicht: (2026)

Volumetric Environment Representation for Vision-Language Navigation
von: Liu, Rui, et al.
Veröffentlicht: (2024)

Vision-Language Navigation with Energy-Based Policy
von: Liu, Rui, et al.
Veröffentlicht: (2024)

AeroDuo: Aerial Duo for UAV-based Vision and Language Navigation
von: Wu, Ruipu, et al.
Veröffentlicht: (2025)

PASTS: Progress-Aware Spatio-Temporal Transformer Speaker For Vision-and-Language Navigation
von: Wang, Liuyi, et al.
Veröffentlicht: (2023)

Credible Teacher for Semi-Supervised Object Detection in Open Scene
von: Zhuang, Jingyu, et al.
Veröffentlicht: (2024)

The Essence of Balance for Self-Improving Agents in Vision-and-Language Navigation
von: Liu, Zhen, et al.
Veröffentlicht: (2026)