TrackVLA是一种集成目标识别与轨迹规划的视觉-语言-动作模型，旨在解决具身视觉跟踪任务。通过联合训练，该模型在动态环境中展现出优越的识别与规划能力，提升了智能体在复杂场景中的跟踪效果。

本文介绍了一种音视频“位置时间标记”模型，结合多人视觉跟踪与多重语音源定位，解决了多人语音辨别问题。研究提出了新方法和数据集，显著提高了说话人分离的准确性和效率。

该研究提出了一种新的框架，结合了视觉基础模型和离线强化学习，用于赋予具有体内视觉的智能体进行视觉跟踪任务。通过使用蒙版重定向机制和多级数据收集策略，进一步提高了跟踪结果的稳健性和泛化性。评估结果表明，该方法在样本效率、对干扰物的稳健性和对未见情况和目标的泛化能力方面优于现有方法，并证明了学习到的跟踪器在虚拟世界和真实场景中的可迁移性。

HPFormer是一种基于Transformer的新方法，利用其强大的表示学习能力来提高视觉跟踪性能。通过HHA模块实现特征提取和融合，通过TBM从高光谱输入中选择性地聚合空间细节和光谱特征来注入目标表示。实验证明，HPFormer在NIR和VIS跟踪数据集上具有最先进的性能，提供了改进鲁棒目标跟踪的新见解。

CiteTracker是一种通过连接图像和文本来增强视觉跟踪的方法。它包括文本生成模块和动态描述模块，能够将目标图像转换为包含类别和属性信息的描述性文本，并适应目标变化以获得更有效的目标表示。通过基于注意力的相关模块将目标描述和搜索图像关联起来，生成用于目标状态参考的相关特征。实验证明，该方法在五个不同数据集上具有较好的性能。