基于开放视觉语言模型的用于空间问答与导航的二元追踪

本文针对服务机器人在长程自我中心路径中的空间问答问题，提出 BinTrack，一种完全开源的空间定位智能体。该方法利用轨迹的时间顺序，在查询识别的两个锚点地标间执行二分搜索。相比其他开源实现，其准确率最高提升 22.8%，并在 SpaceLocQA 基准的全球类别中媲美 GPT-4o 等闭源模型。此外，其优化推理策略带来超过 1.5 倍的速度提升。研究还发布了 GangnamLoop 基准数据集，包含真实四足机器人在户外多条件下的采集数据。