结构之法 算法之道

如果前两周去长三角，见的更多是客户的话，那么本周在北京出差的这几天，见的更多是合作伙伴，比如千寻、智元、北京人形等等说到导航，这两天 则又看到了本文正要解读的NavFoM，个人觉得，该工作的创新不少，值得多读几遍。

本文介绍了InternVLA-N1双系统视觉语言导航模型，该系统通过System2（基于多模态大语言模型的像素目标规划器）进行中长期规划，System1（基于扩散的轻量级视觉导航策略）执行实时路径规划。为解决双系统同步延迟和二维像素坐标歧义问题，模型引入了异步推理机制和潜在token表征，并通过世界模型增强潜在规划能力。研究团队还开发了高效仿真数据生成流程，构建了包含5300万图像和80万指令的大规模数据集InternData-N1。该模型在动态环境中展现出更强的鲁棒性和连续性导航能力。

本文提出NavA3分层框架，通过全局和局部策略解决具身导航任务中的高层次指令理解问题。全局策略利用Reasoning-VLM解析指令并推断目标物体及其可能位置；局部策略采用NaviAfford模型在目标区域进行精确物体定位。该系统基于三维场景重建和语义标注，支持复杂空间关系理解，在长时序导航任务中展现出卓越性能。实验表明NavA3能有效处理"我想要一杯咖啡"等自然指令，实现精准导航，具备跨机器人平台的适应能力。

本文介绍了一种高效的视觉语言导航(VLN)模型CorrectNav，它通过创新的"自我修正飞轮"训练范式显著提升了导航成功率。该方法将训练过程中的错误轨迹转化为改进机会，通过四个步骤循环优化：错误检测、偏差定位、生成修正数据（动作/感知层面）、模型再训练。实验显示，CorrectNav在VLN-CE基准测试中分别达到65.1%和69.3%的成功率，超越现有最优模型8.2%和16.4%。相比依赖额外模块的纠错方法，该方案将纠错能力隐式集成到模型中，更适用于实际机器人部署，在动态避障和长指令

摘要：2017年研究者基于Matterport3D数据集开发了仿真环境Matterport3D Simulator，并构建了Room-to-Room（R2R）基准数据集，推动视觉与语言导航（VLN）研究发展。R2R包含21,567条自然语言导航指令，覆盖90个真实建筑场景，建立了导航成功率、路径长度和导航误差三大评估指标。该数据集解决了此前研究中数据孤立的问题，为VLN领域提供了首个标准化评估基准。模拟器采用离散化动作空间设计，支持RGB-D观测，并保留了真实场景的视觉丰富性。R2R与后续RxR数据集共同成

TrackVLA是一种新型视觉-语言-动作模型，将目标识别与轨迹规划整合到统一框架，解决具身视觉跟踪（EVT）任务中的误差累积问题。该模型采用联合训练方式，利用85.5万条视频识别和机器人跟踪样本，通过语言建模头和扩散头分别处理识别与规划任务。相比传统将感知与规划解耦的方法，TrackVLA在高度动态环境中展现出更优性能，支持自然语言输入，并实现了识别与规划的协同优化，为机器人跟随等应用提供了新思路。

摘要： LOVON是一种新型足式机器人系统，通过整合大语言模型（LLM）的任务规划、开放词汇视觉检测和语言到运动模型（L2MM），实现了复杂长时任务的自主执行。该系统创新性地采用拉普拉斯方差滤波技术缓解运动抖动问题，并设计了功能执行逻辑确保任务鲁棒性。实验表明，LOVON在仿真和真实机器人平台（如Unitree Go2）上能有效完成开放词汇目标搜索与导航任务，解决了传统方法在长时序、动态环境中的局限性。该研究为足式机器人在非结构化环境中的高级自主性提供了新思路。

摘要：Uni-NaVid是一种基于视频的视觉-语言-动作(VLA)模型，旨在统一多种具身导航任务。该模型通过在线Token合并机制高效处理实时视频流，支持5Hz推理频率，适用于连续环境导航。研究构建了包含四类导航任务（视觉语言导航、目标导航、具身问答和跟随任务）的360万样本数据集，并提出新的语言引导人类跟随基准。相比依赖专用模块的现有方法，Uni-NaVid能直接生成底层动作，解决了传统方法在任务泛化和实际部署中的局限性。项目代码基于LLaMA-VID和NaVid框架开发。

因为我司准备于25年7月底复现下NaVILA，而在研究NaVILA的过程中，注意到了这个NaVid虽然NaVid目前已经不是VLN sota了，但其首次展示了VLM在无需地图、里程计或深度输入的情况下，能够实现优秀的导航性能且对后来的很多VLN工作——比如NaVILA 都有比较大的启发、借鉴意义，且VLN论文中 其实提供了 “不少更好理解NaVILA” 的背景知识或基础，比如VLN-CE总之，如果相对VLN有相对完整深入的理解，NaVid是必看工作之一加之导航在人形落地中的重要性，故  一方面，

本文详细解析了NaVILA/legged-loco代码库的技术实现，重点包括： 机器人配置系统：深入剖析了Go1/Go2四足机器人和G1/H1人形机器人的基础与视觉增强配置，特别是H1机器人在复杂地形中的视觉感知实现差异。 核心MDP组件：解析了分层控制架构（10Hz导航决策+50Hz运动执行）、三种导航动作实现（基础、VLM、GPT增强）以及多维度奖励函数设计（稳定性、能效、目标导向等）。 强化学习框架： 完整实现PPO算法（包含GAE、KL自适应学习率、裁剪机制等核心特性） 支持多种Actor-Crit

如此前的博客所说，我司「七月在线」正在并行开发多个订单，目前正在全力做好每一个订单，因为保密协议的原因，暂时没法拿出太多细节出来分享​但可以持续解读我们所创新改造或的对象，即解读paper和开源库「当然 有些paper/库还没开始用，但也可以提前解读，作为关注了解而其中有一个订单涉及到行走之外的导航、避障，项目组在确定解决方案的过程中，看到了NaVILA这个工作，故本文来解读下。