通过对房间到房间的导航(VLN)基准进行研究，发现数据加工的方式很重要。我们发现最短路径采样在动作空间中编码偏见，从而解释了现有方法推广能力差的原因。为了减轻这种偏见，我们提出了一种基于随机游走的路径采样方法来增强数据，通过这种方法训练代理，其相比基线，能够更好地推广到未知环境，从而显着提高模型性能。

Mar, 2020

本研究基于原始传感器输入，引入了进化图式计划者 (Evolving Graphical Planner，EGP)模型，其能够以更灵活的决策空间，为导航执行全局规划， 并在具有照片级真实感的图像上的 Vision-and-Language Navigation (VLN) 任务中取得了优异的性能。

Jul, 2020

该研究提出了一种基于人类导航行为的智能视觉语言导航策略，通过赋予代理人主动信息收集能力和学习探索策略来解决当前方法产生的不确定性问题和效率低下问题，实验证明该方法能显著提高导航性能。

Jul, 2020

本文旨在研究如何将视觉-语言导航技术(VLN)从模拟场景应用于物理机器人，并提出了使用子目标模型和领域随机化等方法，以提升在未知环境下的表现。作者在325平方米的办公室内进行实验，结果表明，在提前采集和注释了占用图和导航图的情况下，模拟-to-真实的转移成功率可达46.8%，而完全没有先前信息的情况下，转移成功率仅有22.5%。

Nov, 2020

使用语言指导下的路径规划，研究机器人领域中的导航方式和交互问题。通过变换不同的机器学习模型，来探索不同的路径预测方法，并发现在navigation metrics上，更具表现力的模型能够帮助机器人找到更优秀、更简单、更快速的路径，而低层动作则能够通过近似最短路径来获取更好的路径规划结果。

Oct, 2021

提出了一种预测器来解决视觉和语言导航领域中离散环境与连续环境之间的差异，该预测器可以生成候选的路径点，极大地提升了机器人在连续环境下的导航表现。

Mar, 2022

这篇论文探讨了如何通过迁移学习将抽象的VLN任务应用到真实的VLN-CE任务中，提高了原先VLN-CE任务的成功率，但并没有完全保持抽象环境下的表现，并且通过一系列实验找出了导致性能降低的原因，并提供了进一步改进的清晰方向。

Apr, 2022

本研究提出了EPTNav探索实现连续环境下视觉语言导航的方法和框架，该框架着重于生成长距离导航计划和在连续环境中进行避障控制，并利用拓扑地图和指令生成自主导航计划。实验证明该方法的有效性，并在R2R-CE和RxR-CE数据集上分别获得超过10%和20%的改进。

Apr, 2023

Vision-and-Language Navigation aims to narrow the gap between Success Rate and Oracle Success Rate by mining the target location from a trajectory using a transformer-based model for learning compact discriminative trajectory viewpoint representation.

Aug, 2023

本文针对现有的视觉和语言导航方法在连续环境下的不足，提出了一种通过低级动作解码器与高级动作预测联合训练的新方法。此方法弥补了视觉感知与实际动作之间的差距，并利用丰富的语义信息增强了路径预测器。实验证明，该方法在导航性能指标上显著优于现有基线。

Aug, 2024