该研究探讨了大型语言模型（LLMs）在机器人任务规划中的应用，提出了一种通过模仿人类认知解决目标导航问题的框架。研究表明，LLMs能够有效将自然语言请求转化为可执行计划，并结合符号规划器提高任务执行效率。多模态模型的整合显著提升了机器人在具身任务中的表现。

本文探讨了大型语言模型在视觉导航中的应用，提出了多种提高场景理解和目标导航性能的方法，包括基于语言的增强和层次化学习。这些方法在复杂环境中有效降低碰撞率，提高成功率和路径效率，并具备良好的泛化能力。

本文介绍了视觉语言前沿地图（VLFM）的零样本导航方法，通过深度观测建立占用地图，并利用视觉语言模型生成基于语言的价值地图，以识别探索最有希望的前沿。VLFM 在对象目标导航任务中取得了最先进的结果，且具有零样本特性，可轻松部署在现实世界的机器人上。关键词：零样本导航、视觉语言前沿地图、深度观测、语言模型、目标导航

该论文提出了一种使用隐式空间地图的目标导航方法，通过transformer递归更新隐式地图，并通过辅助任务训练模型。该方法在挑战性的MP3D数据集上表现优于最先进方法，并在HM3D数据集上具有良好的泛化能力。研究人员成功地在真实机器人上部署了该模型，并只使用了几个真实世界的演示就实现了令人鼓舞的目标导航结果。