资讯摘要
论文提出 ScaleNav，一个面向语言条件局部导航的世界-动作统一框架，分三阶段训练：先用互联网第一视角视频做指令条件视频预训练，学习相机接近指定目标时的视觉动态；再用带动作标注的仿真数据做动作对齐，训练模型预测可执行动作块；最后联合微调全部可训练组件。作者报告在 Short-Horizon OVON 单视角适配版本上成功率达 86.5%，在 HabitatGS-LN 基准上达 94.9%，并在真实四足机器人上部署评估。
要点速读
- 论文提出三阶段训练流程：指令条件视频预训练、动作对齐、联合微调。
- 作者报告成功率：Short-Horizon OVON 单视角适配版 86.5%，HabitatGS-LN 基准 94.9%，均优于所评估基线。
- 作者在真实四足机器人上部署评估，结果支持模型向真实导航场景泛化。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/20 21:10:48（北京时间）。