CoMaTrack：基于视觉 - 语言 - 动作模型的竞争性多智能体博弈跟踪

具身视觉跟踪（EVT）要求智能体精准跟随语言指定的目标，但现有单代理模仿学习方法受限于高昂的专家数据成本及静态训练环境导致的泛化能力不足。受竞争驱动的能力进化启发，本文提出 CoMaTrack，一种竞争性博弈论多智能体强化学习框架。该框架在包含竞争性子任务的动态对抗环境中训练智能体，从而生成更强的自适应规划与抗干扰策略。此外，我们推出了首个竞争性 EVT 基准 CoMaTrack-Bench，支持在主动对抗交互下进行标准化鲁棒性评估。实验表明，该方法在多项基准上达到最先进水平。