无人机视觉语言动作模型补上三维几何:GRID在TravelUAV三个划分上成功率均居首,总体升至48.2%
长航程无人机视觉语言动作模型此前把深度图直接当特征输入,在TravelUAV上成功率几乎不变(42.5%对42.6%)。GRID把单目深度沿视线反投影成机体系三维坐标,并在训练时让视觉特征对齐冻结的多视角几何模型,推理只多一次深度前向。在3,005个测试回合上,GRID总体成功率从AeroVLA的41.7%升到48.2%,三个划分均为最佳,未见地图相对提升25.4%。
长航程无人机视觉语言动作模型此前把深度图直接当特征输入,在TravelUAV上成功率几乎不变(42.5%对42.6%)。GRID把单目深度沿视线反投影成机体系三维坐标,并在训练时让视觉特征对齐冻结的多视角几何模型,推理只多一次深度前向。在3,005个测试回合上,GRID总体成功率从AeroVLA的41.7%升到48.2%,三个划分均为最佳,未见地图相对提升25.4%。
已读完全部报道