试想一下，当机器人伸手去拿桌上的杯子，刚把杯子抬起来，又停住了，随后把它放回原位，然后再次伸手去拿。同一个动作，它重复了一遍，像是忘记了自己刚刚已经做过什么。类似的情况在真实环境中并不少见：按钮明明已经按下，却还在反复按，明明抽屉已经关好，却还在继续推。 这些失败并不是因为它“看不清”，而是因为它缺乏一套能够模拟时空演化的“世界模型”。当前的视觉语言行动模型虽然能够理解图像与指令，但在连续任...

6月17日至21日，2024年国际计算机视觉与模式识别会议（IEEE/CVF Conference on Computer Vision and Pattern Recognition，以下简称“CVPR”）在美国西雅图举办。CVPR作为人工智能领域最有学术影响力的顶级会议之一，今年仍以论文、论坛、挑战赛等方式聚焦自动驾驶等热门议题。会议期间，2024CVPR自动驾驶国际挑战赛（以下简称“挑...

6月19日-23日，全球人工智能计算机视觉领域顶级国际会议CVPR 2022（Computer Vision and Pattern Recognition，即国际计算机视觉与模式识别）在美国新奥尔良举行，并同步进行线上会议。商汤科技及联合实验室共71篇论文入选本届CVPR，再创新高，其中有接近四分之一被录用为Oral（口头报告），涵盖三维视觉、自动驾驶等多个备受关注的前沿研究领域和方向，继...

视觉语言导航（Vision-Language Navigation），顾名思义，就是让智能体跟着自然语言指令进行导航，即智能体需要结合理解自然语言指令与视野中可以看到的图像信息完成线路规划，从而到达目标位置。 2019年，一篇关于视觉语言导航的论文拿下CVPR2019 最佳学生论文奖，让这一新兴研究方向，迎来高光时刻。 论文的一作王鑫，当时还是加州大学圣塔芭芭拉分校王威廉组的博士生。在拿下C...