CoMaTrack：基于视觉—语言—动作模型的竞争性多智能体博弈论跟踪

具身视觉跟踪（EVT）是具身智能中的一项核心动态任务，要求智能体精确跟踪语言指定的目标。然而，大多数现有方法依赖于单代理模仿学习，受到昂贵的专家数据和静态训练环境导致的有限泛化的影响。受竞争驱动的能力进化的启发，我们提出了 CoMaTrack，这是一种竞争性博弈论多智能体强化学习框架，可在动态对抗环境中通过竞争性子任务训练智能体，从而产生更强的自适应规划和抗干扰策略。我们进一步介绍了 CoMaTrack-Bench，这是竞争性 EVT 的第一个基准，其特点是跟踪器和自适应对手之间跨不同环境和指令的游戏场景，从而在主动对抗交互下实现标准化的鲁棒性评估。实验表明，CoMaTrack 在标准基准测试和 CoMaTrack-Bench 上均取得了最先进的结果。值得注意的是，使用我们的框架训练的 3B VLM 在具有挑战性的 EVT-Bench 上超越了之前基于 7B 模型的单智能体模仿学习方法，在 STT 中实现了 92.1%，在 DT 中实现了 74.2%，在 AT 中实现了 57.5%。基准代码将在 https://github.com/wlqcode/CoMaTrack-Bench 上提供