计算机科学 > 机器人技术
[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
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/}
文献和引用工具
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
推荐器和搜索工具
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.