Goal2Pixel：将目标定位到像素以实现视觉语言导航

针对连续环境中的视觉语言导航（VLN-CE），现有方法多将导航视为低层动作预测，存在接口模糊、效率低下等问题。本文提出 Goal2Pixel，一种纯像素范式的导航方法，将任务重构为可导航像素定位。模型直接在图像平面上预测可见的可导航像素或辅助指令区域，并将其反投影为 3D 航点以驱动机器人运动。为实现长程导航，设计了感知可见性的关键帧记忆机制。实验表明，该方法在保持最先进性能的同时，大幅减少了 VLM 的推理调用次数。