Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2507.05240

帮助 | 高级搜索

计算机科学 > 机器人技术

arXiv:2507.05240 (cs)
[提交于 2025年7月7日 ]

标题: StreamVLN:通过SlowFast上下文建模的流式视觉-语言导航

标题: StreamVLN: Streaming Vision-and-Language Navigation via SlowFast Context Modeling

Authors:Meng Wei, Chenyang Wan, Xiqian Yu, Tai Wang, Yuqiang Yang, Xiaohan Mao, Chenming Zhu, Wenzhe Cai, Hanqing Wang, Yilun Chen, Xihui Liu, Jiangmiao Pang
摘要: 视觉与语言导航(VLN)在现实场景中需要智能体处理连续的视觉流,并根据语言指令生成低延迟的动作。 虽然基于视频的大规模语言模型(Video-LLMs)推动了近期的进步,但基于Video-LLM的当前VLN方法在细粒度视觉理解、长期上下文建模和计算效率之间常常面临权衡。 我们引入了StreamVLN,这是一种流式VLN框架,采用混合的慢速-快速上下文建模策略,以支持交错的视觉、语言和动作输入的多模态推理。 快速流式对话上下文通过活动对话的滑动窗口促进响应式动作生成,而慢速更新的记忆上下文则通过3D感知的标记剪枝策略压缩历史视觉状态。 通过这种慢速-快速设计,StreamVLN通过高效的键值缓存重用实现了连贯的多轮对话,支持具有有限上下文大小和推理成本的长视频流。 在VLN-CE基准上的实验表明,其性能处于最先进水平,且具有稳定的低延迟,确保了现实部署中的鲁棒性和效率。 项目页面是: \href{https://streamvln.github.io/}{https://streamvln.github.io/}
摘要: Vision-and-Language Navigation (VLN) in real-world settings requires agents to process continuous visual streams and generate actions with low latency grounded in language instructions. While Video-based Large Language Models (Video-LLMs) have driven recent progress, current VLN methods based on Video-LLM often face trade-offs among fine-grained visual understanding, long-term context modeling and computational efficiency. We introduce StreamVLN, a streaming VLN framework that employs a hybrid slow-fast context modeling strategy to support multi-modal reasoning over interleaved vision, language and action inputs. The fast-streaming dialogue context facilitates responsive action generation through a sliding-window of active dialogues, while the slow-updating memory context compresses historical visual states using a 3D-aware token pruning strategy. With this slow-fast design, StreamVLN achieves coherent multi-turn dialogue through efficient KV cache reuse, supporting long video streams with bounded context size and inference cost. Experiments on VLN-CE benchmarks demonstrate state-of-the-art performance with stable low latency, ensuring robustness and efficiency in real-world deployment. The project page is: \href{https://streamvln.github.io/}{https://streamvln.github.io/}.
主题: 机器人技术 (cs.RO) ; 计算机视觉与模式识别 (cs.CV)
引用方式: arXiv:2507.05240 [cs.RO]
  (或者 arXiv:2507.05240v1 [cs.RO] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.05240
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Meng Wei [查看电子邮件]
[v1] 星期一, 2025 年 7 月 7 日 17:49:41 UTC (9,614 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.RO
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
cs
cs.CV

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号