VLFM（视觉语言前沿地图）

VLFM: Vision-Language Frontier Maps for Zero-Shot Semantic NavigationVLFM进阶

用视觉语言模型给探索边界打分，零样本在陌生环境里找指定物体。

VLFM 由佐治亚理工学院和波士顿动力 AI 研究所的 Naoki Yokoyama、Dhruv Batra、Bernadette Bucher 等人提出，2023 年 12 月上线 arXiv，发表于 ICRA 2024 并获该会认知机器人方向最佳论文。任务是物体目标导航：在没去过的环境里找到某类物体。它用深度图建占据地图，找出已知与未知区域的交界（前沿）；同时用 BLIP-2 计算当前画面与「附近可能有目标」这类文字提示的相似度，写进一张语言价值地图，然后选价值最高的前沿去探索。看到目标后用 YOLOv7、Grounding DINO 检测，Mobile-SAM 抠出轮廓再走过去。整个流程无需针对导航训练，在 Gibson、HM3D、MP3D 上按 SPL（路径长度加权成功率）取得当时最佳，并直接部署到波士顿动力 Spot 上。