CityNav: 具备地理信息的语言目标空中导航数据集
原文中文，约1700字，阅读约需4分钟。
📝
内容提要
本文介绍了AerialVLN任务，旨在提升无人机在室外环境中的导航能力。研究通过未标记的3D建筑自动创建VLN数据集，并利用预训练语言模型解决数据稀缺问题，显著提高了模型的泛化能力。实验结果表明，该方法在多个数据集上表现优异，突显了视觉与语言导航领域的挑战与机遇。
❓
Q&A
AerialVLN任务的主要目标是什么？
AerialVLN任务旨在提升无人机在室外环境中的导航能力。
如何解决VLN方法中的数据稀缺性问题？
通过使用900个未标记的3D建筑自动创建VLN数据集，并微调预训练的语言模型来解决数据稀缺性问题。
该研究在REVERIE和SOON数据集上的实验结果如何？
实验结果表明，该方法在REVERIE和SOON数据集上分别提高了7.1%和8.1%的SPL性能。
数据扩充方法是如何改善导航指令生成的？
数据扩充方法利用Matterport3D数据集中的元数据信息生成新的导航指令，从而提高未见过环境中的性能。
未来的研究方向有哪些？
未来研究需关注在不同地形环境中的规模和多样性增长，以改善室外导航的表现。
AerialVLN任务的挑战是什么？
AerialVLN任务的挑战在于与人类表现之间仍存在显著差距，表明该任务具有挑战性。
🏷️
