CorrectNav是一种视觉-语言-动作导航模型，通过自我修正机制提升导航性能。该方法关注感知和动作错误，采用四个步骤进行自我纠正。在VLN-CE基准测试中，CorrectNav的成功率分别为65.1%和69.3%，优于现有模型，具备强大的纠错和动态障碍物规避能力。

本研究提出了一种新的视频基础视觉-语言-动作模型Uni-NaVid，旨在克服现有导航模型的局限性，实现多种导航任务的无缝执行。实验结果表明，Uni-NaVid在多个基准测试中表现优异，具备良好的通用性。

本文介绍了AdaPlanner，一种基于闭环反馈的语言模型智能体，能够自适应改进生成计划，提升复杂任务的决策性能。实验结果表明，其在ALFWorld和MiniWoB++环境中的表现优于现有算法。此外，研究还探讨了大型语言模型在任务分解和计划选择方面的进展与挑战，并提出了结合视觉和语言的导航模型，以增强导航能力和可解释性。

本文介绍了一个新的数据集，用于改善机器人与人类之间的互动能力。通过使用多个现实图像中的可见物体来回应多方面的指令，解决了复杂任务的挑战。测试了多种最先进的视觉和语言导航模型，但没有取得令人满意的结果。提出了一种新颖的交互式导航-指针模型，为该任务提供了强有力的基线。该模型在未见测试集上表现最佳，但仍有改进空间。