Объяснение навигационных решений: Визуальная атрибуция стадии для визуализации судового режима

arXiv: 261 030.34028v1 Annuate Type: новый резюме: как модели зрения и языка (VLM) все больше позволяют роботам следовать языковым инструкциям, понимание их навигационных решений приобретает важное значение для надежного развертывания. Существующие методы объяснения не учитывают одну из ключевых задач в области видения - судовождения с использованием указателей зрения (VLN): доказательства для текущих действий могут распространяться по историческим и текущим наблюдениям, а также на различных этапах обучения. Мы идентифицируем нечувствительность на этапе обучения, когда существующие методы дают схожие объяснения, несмотря на изменения в различных этапах навигации. Для решения этой проблемы мы предлагаем систему атрибуции сценарных данных для VLN. Сначала мы строим временные инструкции, основанные на конкретных действиях - аудиовизуальные атрибуты между наблюдениями. Эти атрибуции проецируются в учебное помещение для оценки сценических ассоциаций, которые определяют агрегирование соответствующих исторических данных для уточнения нынешнего объяснения. Инструкции