引言
机器人学习的背景和挑战
本文的研究重点
现有方法的局限性
本文的创新点
相关工作
事先准备
视觉目标条件策略
ViNT在目标条件导航中表现出最先进的性能，但它不能执行无方向探索，需要外部的子目标建议机制。Nomad扩展了Vint，同时支持目标条件导航和无方向导航。
使用拓扑图探索
在本文中，我们基于frontier探索，测试NoMaD的生成多样化子目标的能力和探索未知环境的能力。
方法
目标掩码
diffusion策略
训练细节
实验结果
我们在6个不同的室内和室外环境中对Nomad进行了评估，并制定了我们的实验来回答以下问题：
Q1：NoMaD模型与现有研究的对比
点估计指的是预测动作时输出单一的确定之，而不是分布或者多种可能的结果。
分析跨基线的策略预测(参见图5)，我们发现，虽然自回归策略表示(原则上)可以表示多峰分布，但预测在很大程度上是单峰的，相当于策略学习平均操作分布。子目标扩散基线倾向于很好地表示多个模式，但不是很健壮。Nomad始终如一地捕捉多峰分布，并在目标图像的条件下做出准确的预测。
Q2：统一策略和单独的策略对比
Q3：视觉编码器和目标掩码的重要性
讨论
