日前，加州大学研究人员和英伟达共同发布了新的视觉语言模型“NaVILA”。亮点在于，NaVILA模型为机器人导航提供了一种新方案。
NaVILA模型的相关论文
视觉语言模型（VLM）是一种多模态生成式AI模型，能够对文本、图像和视频提示进行推理。它通过将大语言模型（LLM）与视觉编码器相结合，使LLM具有“看”的能力。
传统的机器人行动往往依赖于预先绘制的地图和复杂的传感器系统。而NaVILA模型不需要预先的地图，机器人只需“听懂”人类的自然语言指令，结合实时的视觉图像和激光雷达信息，实时感知环境中的路径、障碍物和动态目标，就可以自主导航到指定位置。
不仅摆脱了对地图的依赖，NaVILA还进一步将导航技术从轮式扩展到了足式机器人，希望让机器人应付更多复杂场景，使其具备跨越障碍和自适应路径规划的能力。
在论文中，加州大学研究人员使用宇树Go2机器狗和G1人形机器人进行了实测。根据团队统计的实测结论，在家庭、户外和工作区等真实环境中，NaVILA的导航成功率高达88%，在复杂任务中的成功率也达到了75%。
Go2机器狗接受行动指令：向左转一点，朝着肖像海报走，你会看到一扇敞开的门
G1人形机器人接受行动指令：立即左转并直行，踩上垫子继续前进，直到接近垃圾桶时停下来
据介绍，NaVILA模型的特点在于：
优化准确性与效率：NVILA模型在训练成本上降低了4.5倍，微调所需内存减少了3.4倍。在预填充和解码的延迟上几乎降低了2倍（这些数据是与另一个大型视觉模型LLaVa OneVision进行比较得出的）。
高分辨率输入：NVILA模型并不通过降低照片和视频的大小来优化输入，而是使用高分辨率图像和视频中的多个帧，以确保不丢失任何细节。
压缩技术：英伟达指出，训练视觉语言模型的成本非常高，同时，微调这样的模型也非常耗费内存，7B参数的模型需要超过64GB的GPU内存。因此英伟达采用了一种名为“先扩展后压缩”的技术，通过将视觉信息压缩为更少的token，来减少输入数据的大小，并将像素进行分组，以保留重要信息，平衡模型的准确性与效率。
多模态推理能力：NVILA模型能够根据一张图片或一段视频回答多个查询，具有强大的多模态推理能力。
在视频基准测试中，NVILA的表现超过了GPT-4o Mini，并且在与GPT-4o、Sonnet 3.5和Gemini 1.5 Pro的比较中也表现出色。NVILA还在与Llama 3.2的对比中取得了微弱胜利。
英伟达表示，目前尚未将该模型发布到Hugging Face平台上，其承诺会很快发布代码和模型，以促进模型的可复现性。
