美国东北大学与波士顿动力RAI联合提出的HEP框架，通过坐标系转移接口实现机器人高效学习。该框架的分层结构提升了灵活性，自动适应空间变化，显著降低了数据依赖。实验结果显示，HEP在复杂任务中的成功率提升了60%，为未来多模态智能体集成提供了新路径。

本研究探讨了利用CLIP模型进行零样本视觉语言导航，结果表明其导航能力优于传统监督学习方法。提出的LGX算法及其他方法在不同数据集上显著提升了成功率，展示了大型语言模型在机器人导航中的潜力。此外，研究还提出了VoroNav和OpenFMNav等新方法，进一步提高了导航效率和成功率，强调了视觉语言模型在复杂环境中的应用价值。

该论文提出了一种新的自主导航系统中目标导航的方法，称为深度推理终止代理（DITA），通过将监督模型与强化学习相结合来隐式推断目标的深度并决定结束。评估显示该方法在各个房间类型上取得了9.3%的成功率提升，并在长期轨迹环境上取得了51.2%的改进。