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:2507.17220v1

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2507.17220v1 (cs)
[提交于 2025年7月23日 ]

标题: PIG-Nav:预训练图像目标导航模型的关键见解

标题: PIG-Nav: Key Insights for Pretrained Image Goal Navigation Models

Authors:Jiansong Wan, Chengming Zhou, Jinkua Liu, Xiangge Huang, Xiaoyu Chen, Xiaohan Yi, Qisen Yang, Baiting Zhu, Xin-Qiang Cai, Lixing Liu, Rushuai Yang, Chuheng Zhang, Sherif Abdelfattah, Hayong Shin, Pushi Zhang, Li Zhao, Jiang Bian
摘要: 最近的研究探索了用于基于视觉的机器人导航的预训练(基础)模型,旨在实现跨不同环境的可泛化导航和正向迁移,同时提高在未见过设置中的零样本性能。 在本工作中,我们引入了PIG-Nav(预训练图像目标导航),一种新的方法,进一步研究了基于视觉的导航模型的预训练策略,并在两个关键领域做出了贡献。 在模型方面,我们确定了两个关键的设计选择,这些选择始终能提高预训练导航模型的性能:(1) 集成早期融合网络结构,通过适当预训练的视觉变换器(ViT)图像编码器结合视觉观察和目标图像,以及(2) 引入适当的辅助任务以增强全局导航表示学习,从而进一步提高导航性能。 在数据集方面,我们提出了一种新颖的数据预处理流程,以高效标记大规模游戏视频数据集用于导航模型训练。 我们证明了通过多样化的游戏视频增强现有的开放导航数据集可以提高模型性能。 我们的模型在两个复杂的模拟环境和一个真实环境中,相对于现有的视觉导航基础模型,在零样本设置中平均提高了22.6%,在微调设置中提高了37.5%。 这些结果推进了预训练图像目标导航模型的最先进水平。 值得注意的是,我们的模型在需要显著较少微调数据的情况下保持了具有竞争力的性能,突显了其在最小标注监督下进行实际部署的潜力。
摘要: Recent studies have explored pretrained (foundation) models for vision-based robotic navigation, aiming to achieve generalizable navigation and positive transfer across diverse environments while enhancing zero-shot performance in unseen settings. In this work, we introduce PIG-Nav (Pretrained Image-Goal Navigation), a new approach that further investigates pretraining strategies for vision-based navigation models and contributes in two key areas. Model-wise, we identify two critical design choices that consistently improve the performance of pretrained navigation models: (1) integrating an early-fusion network structure to combine visual observations and goal images via appropriately pretrained Vision Transformer (ViT) image encoder, and (2) introducing suitable auxiliary tasks to enhance global navigation representation learning, thus further improving navigation performance. Dataset-wise, we propose a novel data preprocessing pipeline for efficiently labeling large-scale game video datasets for navigation model training. We demonstrate that augmenting existing open navigation datasets with diverse gameplay videos improves model performance. Our model achieves an average improvement of 22.6% in zero-shot settings and a 37.5% improvement in fine-tuning settings over existing visual navigation foundation models in two complex simulated environments and one real-world environment. These results advance the state-of-the-art in pretrained image-goal navigation models. Notably, our model maintains competitive performance while requiring significantly less fine-tuning data, highlighting its potential for real-world deployment with minimal labeled supervision.
主题: 计算机视觉与模式识别 (cs.CV) ; 机器人技术 (cs.RO)
引用方式: arXiv:2507.17220 [cs.CV]
  (或者 arXiv:2507.17220v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.17220
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Pushi Zhang [查看电子邮件]
[v1] 星期三, 2025 年 7 月 23 日 05:34:20 UTC (2,436 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
许可图标 查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
cs
cs.RO

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