摘要
语言驱动的物体导航要求智能体解读结合内在与外在属性的自然语言描述。现有方法或受限于泛化能力与可解释性，或因模块化流水线导致误差传播与高成本。为此，本文提出一种紧凑的 30 亿参数视觉 - 语言 - 动作（VLA）智能体，无需多模型拼接即可执行类人具身推理。该智能体采用显式的图像接地推理，直接回答“是否为目标物体”及“为何采取此动作”。其推理过程分为“思考”、“思考总结”和“行动”三个阶段，显著提升了可解释性、泛化能力及导航效率。
AI 推荐理由
论文核心提出显式图像接地推理机制，通过三阶段思维链解决导航中的识别与决策问题。
研究机构
Polytechnic of Turin
Simon Fraser University
University of Verona
University of California, Irvine
论文信息