En ny forskningsmetode fra Hugging Face-samfundet lover at gøre AI-navigation i fysiske rum markant mere effektiv – både i tid og data. Metoden, kaldet TAMP-Nav, er præsenteret i et paper og adresserer et kerneproblem: store visuelle sprogmodeller (VLM'er) er trænet på 2D-billeder, men tvinges ofte til at navigere i 3D-rum, hvilket skaber en fundamental mismatch.
Løsningen er at lade VLM'en 'pege' på 2D-pixels i et kamerabillede, som derefter projiceres til 3D-koordinater for en SLAM-controller. Dette 'Pixel-to-3D Action Formulation' (Point) gør, at AI'en kan bruge sine medfødte 2D-evner direkte, uden at skulle lære et unaturligt handlingsrum.
Derudover introducerer metoden en selektiv ræsonnerings- og hukommelsesmekanisme (Think and Memorize), der kun aktiverer kæde-tænkning ved kritiske beslutningspunkter og komprimerer redundante stier til lette 'Space-Time Indicators'. Dette sparer både tid og regnekraft, samtidig med at vigtig historisk information bevares.
Endelig anvender TAMP-Nav en to-niveau træningsparadigme (Align) via GRPO, som kombinerer globale belønninger med fine-grained procesbelønninger. Dette sikrer tæt kobling mellem AI'ens kognitive planlægning og den fysiske feedback fra omgivelserne.
Resultaterne er bemærkelsesværdige: TAMP-Nav opnår state-of-the-art performance med 66,2% succesrate på R2R-CE-benchmarken, og det kræver kun 90.000 træningsbaner – markant mindre end tidligere metoder.
For beslutningstagere betyder dette, at effektiv robotnavigation kan blive væsentligt billigere og hurtigere at implementere. Hvis metoden holder i praksis, kan den accelerere adoptionen af autonome systemer i alt fra lagre til serviceindustrien, hvor pålidelig navigation er en flaskehals.
