本文提出了一个精细度更高的注释，以便在自然语言指令下更好地完成环境中的导航，为此使用了带有细致的注释的Room-to-Room（R2R）基准数据集。并引入有效的子指令注意力和移位模块，在每个时间步选择并关注单个子指令，实现了此子指令模块，与四个最新的代理基线模型进行了比较，并展示了我们提出的方法改进了所有四个代理的性能。

Apr, 2020

开发了一个语言引导的导航任务，放在一个连续的三维环境中，在这里智能体必须执行低级动作来遵循自然语言导航方向，这一设定消除了以前关于环境的假设，特别是放弃了已知环境拓扑的假设、短程神谕导航的假设和完美代理定位的假设，我们还开发了一些模型来模拟以前的工作，并进行了单模态基线测试，发现在这一连续环境中的性能明显较低，这表明以前的“导航-图形”设定中的性能可能被假设过高评价了。

Apr, 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

本研究提出了一种针对Vision-and-Language Navigation中，不同类型自然语言信息处理的Object-and-Action Aware Model，并设计了一种简单但有效的路径损失函数，以优化机器人在导航中的方向选择。实验结果在R2R数据集的SPL得分和在R4R数据集中的CLS得分方面显著超过现有技术。

Jul, 2020

本研究提出了一种新的联合导航和组装任务，名为ArraMon，通过视觉和语言导航、对象组装和对象引用表达理解等多个步骤，让代理商在复杂的户外环境中寻找和收集不同的目标对象，然后在自我中心的网格布局环境中逐个将所收集的对象进行组装，研究实现了基于3D动态环境模拟器的数据集，并通过验证步骤过滤收集的指令，在英文和印地语中搜集了总共7.7K个任务实例。

Nov, 2020

本文研究了视觉与语言导航的多模态任务，通过一系列诊断实验揭示不同类型的导航智能体的注意力焦点和跨模态理解能力，发现Transformer模型相对其他模型更具有对物体的跨模态理解能力，同时对于模型声称的跨模态对齐方式存在质疑。

Mar, 2021

本研究提出了一种名为IVLN（迭代视觉语言导航）的新范例用于评估自然语言引导的智能体在具有持久环境的不同场景中的导航表现。

Oct, 2022

利用360度全景数据生成的合成语音引导大型模拟数据集，使用模仿学习的简单Transformer模型，本文介绍了一种新的方式——合成指令及大规模模仿学习来提高代理程序。

Oct, 2022

本文介绍了数据扩充方法以改善现有的人工智能模型在VLN任务中性能表现不佳的问题，该方法利用了Matterport3D数据集中的元数据信息来引导新的导航指令的生成，并在未见过的环境中使性能提高了8%。

Oct, 2022

通过与专家的讨论，我们引入了一种新的零射击视觉语言导航框架，命名为DiscussNav，能够有效地增强导航性能。

Sep, 2023