具身视觉语言导航（VLN）前沿模型技术方案深度分析报告

——基于 R2R-CE 连续环境 SR ≥ 60% SOTA 前列模型

报告简介：本报告基于对 _posts/research/2026-01-05-VLN-Papers.md 收录的 63 篇 VLN 经典与前沿论文的全面梳理，严格锁定“① 指令跟随 · 连续环境 - 英文（R2R-CE 基准）”中成功率（SR）达 60.0% 以上的 SOTA 前列模型（共 19 款顶级配置，如 Robostral Navigate、Qwen-RobotNav、ABot-N1、OmniNav、SEDualVLN、AgentVLN、ABot-N0、Dual-Anchoring、AwareVLN、CorrectNav、NavFoM、DGNav、DualVLN、VLN-Cache、ReflectVLN、GA-VLN、JanusVLN 等），结合团队研发具身导航系统的实际需求，对上述前列模型的技术方案进行深度拆解与横向对比。重点解构 架构范式与 Agentic 闭环协议、数据规模与合成策略、视觉空间感知模态、动作表征与连续坐标回归、强化学习与后训练 以及 思考链与端侧部署 六大关键维度，并给出落地研判与研发路线建议。

1. 执行摘要与基准范围界定
2. 维度一：架构范式——快慢双系统与 Agentic 闭环协议
3. 维度二：数据规模与大规模数据合成策略
4. 维度三：视觉空间感知与多视角/全景/3D模态
5. 维度四：动作表征——像素点预测 vs 导航点/拓扑图 vs 连续轨迹
6. 维度五：训练策略与后训练——强化学习（RL/GRPO）、DAgger与SFT
7. 维度六：推理思考链（CoT）、自纠错反思与端侧部署
8. R2R-CE SR ≥ 60% SOTA 前列模型综合对比矩阵
9. 前列模型技术方案组合统计与要素打勾矩阵
10. 对团队 VLN 研发的落地建议与技术路线推荐

1. 执行摘要与基准范围界定

本报告聚焦于指令跟随·连续环境（R2R-CE 基准，英文）下成功率 SR ≥ 60.0% 的 19 款顶级前列模型配置。具身导航技术经历了从早期小模型离散微操（SR < 40%）到大模型快慢双系统与连续坐标回归（SR 60%~76.6%）的四代演进：

timeline
    title R2R-CE 连续环境导航技术演进与 SR 突破路线图
    2020-2023 : 第一代：小模型离散微操 (前进0.25m, 左转15°)
             : VLN-CE (30%), 动作碎片化, 累计误差巨大
    2024     : 第二代：通用 LLM/VLM 零样本 Prompt 导航
             : NavGPT (34%), 缺乏空间 Grounding 能力, 推理延迟高
    2025     : 第三代：快慢双系统解耦 + 像素点 Grounding (SR 突破 60% - 65%)
             : DualVLN (64.3%), CorrectNav (65.1%), NavFoM (64.9%), AstraNav-World (67.9%)
    2026     : 第四代：千万级数据 + 多视角 + GRPO 强化学习 + Agentic 自纠错 (SR 突破 65% - 76.6%)
             : ReflectVLN (62.8%), ABot-N0 (66.4%), AgentVLN (67.2%), SEDualVLN (67.3%), OmniNav (69.5%), ABot-N1 (70.9%), Qwen-RobotNav (72.1%), Robostral (76.6%)

R2R-CE SR ≥ 60% 前列模型核心结论摘要：

快慢双系统解耦（Decoupling）是突破 60% SR 的必要条件：前列模型（Robostral、Qwen-RobotNav、ABot-N1、OmniNav、DualVLN）无一例外地将慢系统（System 2 VLM，1-2Hz 语义理解/Grounding）与快系统（System 1，10-30Hz 轨迹执行）解耦。
Agentic 闭环协议保障物理安全性：ReflectVLN 引入状态 Token（<VLNBOC>）实现偏航/陷入死胡同模式下触发诊断与重规划；Skill-Nav/ABot-N1 采用 Waypoint 接口连接低层策略，比传统速度命令 (v, w) 对跟踪误差更具鲁棒性。
像素目标预测（Pixel Goal Grounding）全面取代离散微操：将 3D 导航映射为 2D 图像视角上的目标点 (u, v)，充分发挥 VLM 原生的 Visual Grounding 能力，且解耦了相机内参与物理畸变。
传感器方案：三视角（Tri-view）显著超越单目（Monocular）：ABot-N1 (70.9%) 与 OmniNav (69.5%) 证明三视角（前视+左右视）消除了盲区，机器人无需频繁停步探头转弯（Turn 15°），SR/SPL 提升 5%~8%。
强化学习（GRPO / CISPO）是突破 70% SR 的临门一脚：通过仿真在线 RL，引入 3D 安全净空奖励（Safety Reward）、目标核对齐奖励（Target Reward）以及 CoT 简短惩罚（Brevity Reward），能有效消除妄动与长文本幻觉。
连续坐标生成：Transformer 末层回归头与流匹配（Flow-Matching）替代离散 Token：OmniNav 与 ABot-N1 证明绕过 lm_head、在 Transformer 最后一层 hidden states 直接挂载回归头预测连续坐标（结合 Flow-Matching / Smooth-L1 损失），消除了坐标网格量化损失，实现 5~10Hz 的单前向高频闭环。

2. 维度一：架构范式——快慢双系统与 Agentic 闭环协议

在 SR ≥ 60% 的前列模型中，快慢双系统解耦与 Agentic 双向通信协议是构建稳定连续导航系统的基石。

2.1 快慢双系统解耦架构（Fast-Slow Architecture）

前列模型普遍采用解耦的两层或两模块架构：

flowchart TD
    IMG["视觉输入<br/>(单目 RGB / 三视角 Tri-view / RGB-D)"] --> SYS2
    INST["自然语言指令 / 导航目标"] --> SYS2

    subgraph SYS2["慢系统 System 2 (大脑/高级推理)"]
        VLM["大语言视觉模型 (Qwen2.5-VL / Qwen3-VL / Mistral-8B)<br/>运行频率: 1~2 Hz 或 事件驱动 (Event-driven)"]
        COT["生成思维链 (CoT Reasoning)"]
        PIXEL["预测 2D 像素目标 (Pixel Goal / Waypoint)"]
        VLM --> COT --> PIXEL
    end

    SYS2 -->|"高层 Waypoint / 像素点 (u, v)"| SYS1

    subgraph SYS1["快系统 System 1 (小脑/连续控制)"]
        CTRL["轻量级 VLM / Waypoint Locomotion 策略 / Flow-Matching<br/>运行频率: 10~30 Hz 闭环"]
        WP["连续 Waypoints / 运动控制 (攀爬/越障/跳跃)"]
        CTRL --> WP
    end

    SYS1 --> ROBOT["机器人底盘执行 (Robot Chassis)"]
    ROBOT -->|"实时视觉反馈 (30Hz)"| SYS1

代表性前列方案解析：

Robostral Navigate (SR 76.6%)：
- 基于 Mistral-8B，使用树状注意力掩码（Tree-based Attention Mask）压缩 Episode 前缀，结合指向性（Pointing-based）图像坐标预测与位移退化回归，单目即实现 R2R-CE 当前最高分。
Qwen-RobotNav (SR 72.1% 全景 / 66.9% 单目)：
- 基于 Qwen3-VL-7B，利用 15.6M 海量预训练数据，实现全景与单目下的高精度连续导航。
ABot-N1 (SR 70.9% 三视角)：
- 慢系统（System 2）：Qwen-3.5-4B 低频输出 CoT 及三视角图像上的通行 Affordance Pixel 和 Target Pixel。
- 快系统（System 1）：Qwen-3.5-2B 动作专家在 10Hz 下闭环解算底层连续控制路点。
OmniNav (SR 69.5% 多目)：
- 将慢系统（前沿决策 + CoT）与快系统（连续路标点 + Flow-Matching）统一在 Qwen2.5-VL-3B 骨干中，实现 5Hz 连续坐标解算。
DualVLN (SR 64.3%)：
- 经典快慢系统鼻祖，Qwen2.5-VL-7B 慢系统预测最远可见像素点，支持最多 4 次主动转头（Turn 15°）。

2.2 Agentic 闭环协议、状态 Token 与 Waypoint 技能接口

(1) ReflectVLN (SR 62.8%) 的事件驱动状态 Token 接口 (`<VLNBOC>`)

针对真实移动底盘在导航中陷入死胡同、被障碍物卡住或发生严重偏航的痛点，ReflectVLN 提出了基于显式状态 Token（Status Tokens）的事件驱动双向通信机制：

sequenceDiagram
    participant Intent as 意图 Agent (Intent Agent / System 2)
    participant Exec as 执行 Agent (Execution Agent / System 1)
    participant Env as 仿真 / 真实环境

    Intent->>Exec: 下发高层子目标 c_t
    loop 本地高频控制 (10-30Hz)
        Exec->>Env: 输出低层动作 A_t
        Env-->>Exec: 返回新观测 O_{t+1}
        Exec->>Exec: 评估执行状态 Token z_t
        alt z_t = <VLNBOA> (正常导航中)
            Note over Exec: 自主高频运行，不打扰意图 Agent
        else z_t = <VLNBOR> (子目标已完成)
            Exec->>Intent: 触发意图 Agent 下发下一个子目标 c_{t+1}
        else z_t = <VLNBOC> (检测到严重偏航/死胡同/碰撞)
            Exec->>Intent: 触发意图 Agent 进行错误诊断反思与纠错重新规划
        end
    end

三大状态 Token 功能：
- <VLNBOA>（Continue）：表示当前子目标平稳执行。
- <VLNBOR>（Reached）：表示阶段目标已达成。
- <VLNBOC>（Correct）：真实移动底盘部署时的安全关口。当执行 Agent 检测到机器人陷入死胡同、被障碍物阻挡或偏离路线时，主动输出 <VLNBOC>，触发高层意图 Agent 进行错误诊断与重新规划。

(2) Waypoint 越障技能接口 vs 速度命令 `(v, w)`

在足式机器人连续控制中，传统导航模型多以速度命令 (v, w) 作为接口，对跟踪误差极其敏感。前列模型（ABot-N1、Skill-Nav）一致证明：以 Waypoint（路标点） 作为高低层接口，能彻底消解累计跟踪漂移，低层策略可自主调度攀爬、跳跃、越障技能，使复杂地形导航更加鲁棒。

3. 维度二：数据规模与大规模数据合成策略

在 R2R-CE 基准上突破 60% SR 的模型，普遍摆脱了传统数据集（R2R 仅 21k 指令）的束缚，展现出千万级数据预训练与自动化 3D 到 2D 标注合成两大趋势。

3.1 R2R-CE 前列模型训练数据规模对比

下表梳理了经典基准与 R2R-CE SR ≥ 60% 前列模型的训练数据规模与组成结构：

数据集 / 模型	年份	R2R-CE SR ↑	场景 / 环境	路径 / 轨迹数	总指令 / 训练样本量	数据组成结构与训练策略
R2R (基准)	2018	–	90 (Matterport3D)	7,189	21,567 条指令	经典离散拓扑基准，奠定 VLN 研究基石
RxR-CE (基准)	2021	–	90 (MP3D Habitat)	16,522	126,069 条指令 (多语言)	经典多语言连续基准，支持连续物理运动
ABot-N0	2026	66.4%	8,423 个 3D 场景	482 km 路径	1,690 万 (16.9M)	仿真环境专家轨迹，专家策略全量蒸馏
Qwen-RobotNav	2026	72.1%	多环境	–	1,560 万 (15.6M)	12.2M 导航数据 + 3.4M 通用 VLM 数据（联合预训练）
OmniNav	2026	69.5%	多环境	–	1,220 万 (12.2M)	导航轨迹 + Grounding + Caption + OCR （通用语义强化）
NavFoM	2025	64.9%	多环境	–	802 万 (8.02M)	多视角导航训练样本，跨视角数据扩充
Dual-Anchoring	2026	65.6%	多环境	–	360 万 (3.6M)	3D 轨迹 + 对应 2D 进度描述文本，自动描述锚定
ReflectVLN	2026	62.8%	多环境	–	160 万 (1.6M)	1.3M 专家轨迹 + 0.3M 偏航反思轨迹（偏航注入）
DualVLN	2025	64.3%	多环境	–	147 万 (1.47M)	自动生成的像素目标标注样本（3D-2D 最远点投影）
Robostral Navigate	2026	76.6%	仿真环境	40 万条轨迹	40 万 Episode	树状注意力掩码（Tree Training），22x 训练 Token 压缩

3.2 自动化 3D 轨迹到 2D 像素目标的数据生成流水线

DualVLN (64.3%)、ABot-N1 (70.9%) 等前列模型依赖极具特色的 3D 空间轨迹自动标定技术：

flowchart LR
    PATH3D["3D 真实 Ground-Truth 轨迹点 P(x, y, z)"] --> PROJ["相机内参/外参矩阵 3D->2D 投影"]
    PROJ --> PIXEL["2D 图像像素坐标 (u, v)"]
    DEPTH["相机深度图 Depth Map"] --> FILTER{"深度遮挡过滤:<br/>Distance > Depth ?"}
    PIXEL --> FILTER
    FILTER -- "是 (被遮挡)" --> DISCARD["丢弃不可见点"]
    FILTER -- "否 (可见点)" --> FAR{"计算可见点距离:<br/>取最远可见点 (Farthest Pixel Goal)"}
    FAR --> TARGET["生成训练 Token: <pixel_u, pixel_v>"]

核心洞察（OmniNav 团队）：通用视觉语言数据（如图像描述 Captioning、OCR、Grounding / Referring）对导航任务的提升甚至超过了导航专用数据本身。导航的核心瓶颈往往在于对开放词汇物体与指令语义的理解，而非底层策略学习。

4. 维度三：视觉空间感知与多视角/全景/3D模态

在 R2R-CE 连续环境中，感知的视场覆盖度直接决定了策略执行效率。

graph TD
    SENSORS["R2R-CE 前列模型视觉感知方案"] --> MONO["单目相机方案 (Monocular RGB)<br/>代表: Robostral (76.6%), SEDualVLN (67.3%), AgentVLN (67.2%), DualVLN (64.3%), ReflectVLN (62.8%)<br/>优势: 硬件成本低, 易部署于足式/人形机器人<br/>挑战: FOV<90°, 需引入 Look Around (Turn 15°) 探头机制"]
    SENSORS --> TRIVIEW["三视角/多视角方案 (Tri-view / Multi-camera)<br/>代表: ABot-N1 (70.9%), OmniNav (69.5%), AstraNav-World (67.9%), NavFoM (64.9%)<br/>优势: 前视+左右视 180°~270° 无盲区, SR/SPL 提升 5-8%, 消除频繁转头消耗"]
    SENSORS --> PANO["全景方案 (Panoramic RGB)<br/>代表: Qwen-RobotNav (72.1%)<br/>优势: 360° 全无死角感知, 极高 SR"]

4.1 单目 vs 三视角（Tri-view）的物理效率对比

单目视觉虽然硬件简洁，但在连续导航中存在致命缺点：机器人无法感知视野外的路径与侧后方障碍物。

DualVLN (64.3%) 的单目补救机制：引入“主动视角调整”（Look Around），当未来轨迹不在当前视角内时，模型自主输出 Turn Left/Right 15°，最多支持 4 次连续转向。这虽然解决了视野遮挡，但增加了导航时间与动作碎片化。
ABot-N1 (70.9%) 的三视角（Tri-view）优势：采用前视（Front）、左视（Left）、右视（Right）三个 RGB 相机，将前向 180°+ 视场一网打尽。慢系统直接在三张图像拼接出的画布上标注像素点，机器人可以直接向侧前方迈步而无需先原地转头，使得 R2R-CE 成功率达到 70.9%，在 PointBench 上达到 95.4%。

5. 维度四：动作表征——像素点预测 vs 导航点/拓扑图 vs 连续轨迹

动作空间（Action Space）的选择是划分 R2R-CE 前列模型策略优劣的灵魂所在。

flowchart TD
    ACTION["前列模型动作表征演进"] --> D1["1. 离散微操 (Discrete Primitives)<br/>Move Forward 0.25m / Turn Left 15°<br/>淘汰原因: 动作碎片化, 误差快速累积, SR < 40%"]
    ACTION --> D2["2. 2D 像素目标点 (Pixel Goal Grounding)<br/>Predict Pixel Coordinates (u, v) in Camera Frame<br/>代表: Robostral, ABot-N1, SEDualVLN, DualVLN, ReflectVLN<br/>优势: 充分利用 VLM 视觉 Grounding 强项, 无需相机内参, 容错率高"]
    ACTION --> D3["3. 连续坐标与流匹配 (Continuous Coordinates / Flow-Matching)<br/>Continuous Waypoints / Flow-Matching<br/>代表: OmniNav, ABot-N1 (Sys1), Robostral<br/>优势: Transformer 末层直接回归连续坐标, 无量化损失, 支持 5~10Hz 高频闭环"]

5.1 为什么“像素目标点（Pixel Goal）”成为主流？

像素点预测（Pixel Goal Prediction）的突破性优势：

天然契合 VLM 的 Visual Grounding 能力：VLM 在预训练中已经学会了在图像上标注 Bounding Box 或 Keypoint，预测像素 (u, v) 属于其强项。
硬件解耦：像素坐标是视觉相对量，底盘更换或相机微调无需重训慢系统大模型。
容错能力极强：只要像素目标指向大致正确的通路方向，低层快系统即可结合实时深度/RGB 完成动态避障，无需像素坐标百分之百精准。

5.2 连续坐标生成机制：Transformer 末层回归头 / 流匹配 (Flow-Matching) vs 离散 Token

在 SR ≥ 60% 的前列模型中，普遍展现出从“自回归生成离散文本 Token”向“Transformer 末层挂载回归头直接预测连续坐标 / 流匹配（Flow-Matching）”的技术跨越。

flowchart TD
    HEAD["大模型 Transformer 骨干网络 (Hidden States)"] --> BRANCH1["分支 A: 离散 Token 自回归解码 (Text LM Head)<br/>代表: DualVLN (64.3%), Dual-Anchoring (65.6%)<br/>输出: <pixel_128, pixel_450><br/>缺点: 存在量化网格误差, 需自回归多步 Token, 解码延迟高 (2-3 步/点)"]
    HEAD --> BRANCH2["分支 B: 末层连续回归头 + 流匹配 (Regression Heads / Flow-Matching)<br/>代表: Robostral (76.6%), ABot-N1 (70.9%), OmniNav (69.5%)<br/>输出: 连续物理/视角坐标 (x, y, z) + 航向角 (sin θ, cos θ)<br/>优点: 零量化损失, 单次 Forward 即可完成解算, 支持 5~10Hz 高频闭环"]

代表前列模型的技术实现拆解：

OmniNav (SR 69.5%，Transformer 末层回归头 + 流匹配 Flow-Matching)：
- 对 Qwen2.5-VL-3B 主干进行结构改造，在序列末尾插入特殊动作标记 <|NAV|>。
- 绕过 lm_head 文本生成：当模型输入到 Transformer 最后一层时，跳过词表概率预测，直接从 <|NAV|> Token 对应的隐藏状态（Hidden States）中挂载 3 组定制的连续动作头：
  - 航点头（Wayhead）：结合流匹配（Flow-Matching）/ L1 损失，直接回归输出连续三维物理坐标 (x, y, z)。
  - 到达头（Arrivalhead）：BCE 分类头判定是否抵达终点。
  - 角度头（Anglehead）：回归航向角 (\sin\theta, \cos\theta)。
- 核心优势：消除了把连续空间坐标人工网格化为文本 Token 带来的量化精度损失，实现单次 Forward 前向传播即可完成解算，支撑 5Hz 实时闭环控制。
ABot-N1 (SR 70.9%，快系统 2B 动作专家的末层回归头)：
- 快速系统（Qwen-3.5-2B）同样摒弃了文本生成 head。在接收慢系统下发的 CoT 及像素目标后，直接在 LLM 最后一层 hidden states 之后连接 Smooth-$L1$ 位置回归头与正余弦航向角回归头，实现 10Hz 的高频底层连续路点（Waypoints）解算。
Robostral Navigate (SR 76.6%，指向性预测 + 局部位移回归)：
- 在 Mistral-8B 末层嵌入指向性回归头，目标在视野内时预测图像空间连续坐标；目标偏离视野时自动退化为局部坐标系下的连续位移量（Displacement）回归。

连续坐标预测方案横向对比：

连续坐标预测方案	核心技术机制	代表模型	R2R-CE 最高 SR	量化精度损失	推理延迟 (Hz)	优势与适用场景
离散 Token 预测	将坐标网格化为词表 Token（如 `<x_100>`）	DualVLN, Dual-Anchoring	65.6%	有（受网格分辨率限制）	低频 (1-2Hz)	保持原生 VLM 结构，无需修改模型 Head
Transformer 末层回归头 + 流匹配	绕过 `lm_head`，自 Hidden States 导出回归头 / Flow-Matching	Robostral, ABot-N1, OmniNav	76.6%	零量化损失	高频 (5-10Hz)	单次 Forward 输出连续坐标，控制流畅，高频闭环

6. 维度五：训练策略与后训练——强化学习（RL/GRPO）、DAgger与SFT

在 SR ≥ 60% 的前列模型中，仅靠监督微调（SFT）已无法提升泛化性。模型全面引入了 DAgger 离轨数据 与 GRPO / CISPO 强化学习对齐。

flowchart TD
    PRE["阶段一: 模仿预训练 / SFT<br/>利用自动标定的千万级轨迹与 3D->2D 像素数据集微调 VLM"] --> DAGGER
    DAGGER["阶段二: DAgger / 偏航错误注入<br/>在仿真中主动注入偏差与碰撞, 收集自纠错轨迹 (如 ReflectVLN, ABot-N0)"] --> RL
    RL["阶段三: GRPO / CISPO 强化学习对齐<br/>基于仿真器 Reward 开展在线 Policy 优化 (如 ABot-N1, Robostral, LocalNav)"]

6.1 ABot-N1 (SR 70.9%) 的 GRPO 强化学习与安全/平衡采样

ABot-N1 采用了 Group Relative Policy Optimization (GRPO) 来优化慢系统生成的像素目标：

\[\mathcal{L}_{\text{GRPO}}(\theta) = \mathbb E \left[ \sum_{i,t} \min\left(\rho_t^{(i)} A^{(i)}, \text{clip}(\rho_t^{(i)}, 1\pm\epsilon)A^{(i)}\right) \right] - \beta \mathbb{D}_{\text{KL}}(\pi_\theta \parallel \pi_{\text{ref}})\]

其复合奖励函数结构为： $R = w_f R_{\text{format}} + w_t R_{\text{target}} + w_o R_{\text{safety}}$

格式奖励 $R_{\text{format}}$：检测输出是否满足指定的 JSON / Token 格式。
目标核对齐奖励 $R_{\text{target}}$：利用指数核函数衡量预测像素 $\hat{p}$ 与真实目标像素 $p^\star$ 的距离。
安全净空奖励 $R_{\text{safety}}$：反投影像素点至 3D 空间，计算与不可通行区域（障碍物/墙面）的真实距离 $d$。

基于 GSNR 的平衡数据采样（Balanced Sampling）：ABot-N1 依据梯度信噪比（GSNR）将训练数据按 安全区（Safe, 50%）: 临界区（Critical, 30%）: 危险区（Danger, 20%） 进行 5:3:2 比例采样，实现了极其稳定的 Policy 提升。

6.2 Robostral Navigate (SR 76.6%) 的 CISPO 在线强化学习

仿真环境中生成 40 万条轨迹后，进一步采用 CISPO 在线强化学习算法 微调，使模型获得极强的碰撞恢复、避障与行为勘探能力，将 R2R-CE 成功率推向了 76.6% 的新高度。

7. 维度六：推理思考链（CoT）、自纠错反思与端侧部署

在现实物理机器人部署时，算力与 Token 生成延迟是硬性约束。

7.1 精简 CoT 与推理延迟折中

前列模型（ABot-N1、ReflectVLN、Robostral）统一证明：慢系统生成的 CoT 必须精简扼要，且慢系统的推理绝不能阻塞快系统的连续控制。

7.2 边缘侧量化与 KV Cache 加速

LocalNav 4-bit 量化部署：
- 采用 llama.cpp 将微调后的 VLM 量化为 IQ4-XS (4-bit) 格式，Token 生成速度从 17.68 tok/s 提升至 39.43 tok/s。
VLN-Cache (SR 63.1%) 前缀缓存加速：
- 针对 DualVLN 框架引入历史视觉特征的 KV Cache 重用机制，在保持 SR 几乎无损（64.3% -> 63.1%）的前提下，将慢系统单步推理延迟降低了近一半。

8. R2R-CE SR ≥ 60% SOTA 前列模型综合对比矩阵

下表严格汇编了 _posts/research/2026-01-05-VLN-Papers.md 中“① 指令跟随 · 连续环境 - 英文（R2R-CE 基准）”SR ≥ 60.0% 的全部 19 款顶级模型配置：

模型名称	年份	R2R-CE SR ↑	SPL ↑	NE ↓	OSR ↑	基础大模型 (Base VLM)	视觉感知模态	动作预测目标	训练数据规模	开源
Robostral Navigate	2026	76.6%	73.7	3.25	80.8	Mistral-8B	单目 RGB	图像像素坐标 (u,v) + 位移退化	40万仿真轨迹 (CISPO RL)	否
Qwen-RobotNav (全景)	2026	72.1%	66.6	3.53	78.5	Qwen3-VL-7B	全景 RGB	像素目标 / 语义路标	15.6M 混合数据	否
ABot-N1 (三相机)	2026	70.9%	67.5	3.32	75.2	Qwen-3.5-4B + 2B	三视角 (Tri-view)	视角像素点 + 连续路点	16.9M / 482km (GRPO)	是
OmniNav (多目)	2026	69.5%	66.1	3.74	74.6	Qwen2.5-VL-3B	多视角 (Multi-view)	流匹配 (Flow-Matching) 连续坐标	12.2M 混合数据	是
AstraNav-World (多目)	2025	67.9%	65.4	–	–	Qwen2.5-VL-3B	多视角 (Multi-view)	连续路标点	–	是
SEDualVLN (单目)	2026	67.3%	62.5	3.75	73.7	LLaVA-Video-7B	单目 RGB	像素目标点	–	是
AgentVLN (单目)	2026	67.2%	64.7	–	–	Qwen2.5-VL-3B	单目 RGB	局部子目标点	–	是
Qwen-RobotNav (单目)	2026	66.9%	60.5	–	–	Qwen3-VL-7B	单目 RGB	像素目标点	15.6M 混合数据	否
ABot-N0 (单目)	2026	66.4%	–	–	–	Qwen3-4B	单目 RGB	连续坐标路点	16.9M 专家轨迹	否
Dual-Anchoring (单目)	2026	65.6%	62.1	–	–	LLaVA-Video-7B	单目 RGB	进度锚定点	360万进度描述	否
AwareVLN (单目)	2026	65.4%	55.1	4.02	73.5	Vicuna-7B	单目 RGB	像素目标点	–	是
CorrectNav	2025	65.1%	62.3	4.24	67.5	Custom VLM	单目 RGB	纠错航点	DAgger 偏航注入数据	是
NavFoM (多目)	2025	64.9%	56.2	–	–	Qwen2-7B	多视角 (Multi-view)	像素目标点	8.02M 样本	否
DGNav (单目)	2026	64.8%	50.1	–	–	Custom VLM	单目 RGB	动态网格目标点	–	是
DualVLN (单目)	2025	64.3%	58.5	4.05	70.7	Qwen2.5-VL-7B	单目 RGB	最远可见像素点 (u,v)	147万自动标注数据	是
VLN-Cache (单目)	2026	63.1%	57.6	–	–	Qwen2.5-VL-7B	单目 RGB	最远可见像素点	基于 DualVLN 部署优化	否
ReflectVLN (单目)	2026	62.8%	58.5	4.19	67.3	Qwen2.5-VL-3B	单目 RGB	Status Tokens () + 路点	1.6M 专家+反思数据	是
GA-VLN (单目)	2026	61.0%	55.2	4.80	67.6	LLaVA-Video-7B	单目 RGB	几何感知目标点	–	是
JanusVLN (单目)	2026	60.5%	56.8	4.78	65.2	Janus-Pro-7B	单目 RGB	多模态表征点	–	是

9. 前列模型技术方案组合统计与要素打勾矩阵

为了清晰揭示 R2R-CE SR ≥ 60% 前列模型的技术 Recipe（解法组合），下表对 19 款前列模型所采纳的核心技术要素进行了全景打勾（✓）统计：

排名	前列模型名称	R2R-CE SR ↑	堆数据 (数据量≥1M)	堆相机 (多目/全景)	快慢双系统 (Decoupled)	Agentic (Agent范式)	像素 Grounding (u,v)	末层回归头 / 流匹配	强化学习 (GRPO/CISPO)	DAgger / 偏航注入	前缀/KV Cache 压缩	开源权重 / 代码
1	Robostral Navigate	76.6%	✓	–	–	–	✓	✓	✓	–	✓	–
2	Qwen-RobotNav (全景)	72.1%	✓	✓	✓	✓	✓	–	–	–	–	–
3	ABot-N1 (三相机)	70.9%	✓	✓	✓	✓	✓	✓	✓	–	–	✓
4	OmniNav (多目)	69.5%	✓	✓	✓	✓	–	✓	–	–	✓	✓
5	AstraNav-World (多目)	67.9%	–	✓	✓	✓	✓	–	–	–	–	✓
6	SEDualVLN (单目)	67.3%	–	–	✓	✓	✓	–	–	–	–	✓
7	AgentVLN (单目)	67.2%	–	–	✓	✓	✓	–	✓	–	–	✓
8	Qwen-RobotNav (单目)	66.9%	✓	–	✓	✓	✓	–	–	–	–	–
9	ABot-N0 (单目)	66.4%	✓	–	–	–	–	–	–	✓	–	–
10	Dual-Anchoring (单目)	65.6%	✓	–	✓	✓	✓	–	–	–	–	–
11	AwareVLN (单目)	65.4%	–	–	✓	✓	✓	–	–	–	–	✓
12	CorrectNav	65.1%	–	–	✓	✓	–	–	–	✓	–	✓
13	NavFoM (多目)	64.9%	✓	✓	✓	✓	✓	–	–	–	–	–
14	DGNav (单目)	64.8%	–	–	–	✓	–	–	–	–	–	✓
15	DualVLN (单目)	64.3%	✓	–	✓	✓	✓	–	–	–	–	✓
16	VLN-Cache (单目)	63.1%	–	–	✓	✓	✓	–	–	–	✓	–
17	ReflectVLN (单目)	62.8%	✓	–	✓	✓	✓	–	–	✓	–	✓
18	GA-VLN (单目)	61.0%	–	–	–	✓	–	–	–	–	–	✓
19	JanusVLN (单目)	60.5%	–	–	–	✓	–	–	–	–	–	✓
统计	各要素采纳频次	最高76.6%	9/19 (47%)	5/19 (26%)	15/19 (79%)	16/19 (84%)	14/19 (74%)	3/19 (16%)	3/19 (16%)	3/19 (16%)	3/19 (16%)	12/19 (63%)

前列模型解法组合（Recipe）统计研判：

绝对主流范式（采纳率 > 70%）：
- Agentic 范式 (84%)、快慢双系统 (79%) 与 像素 Grounding (74%) 构成了模型突破 60% SR 的三大核心基础设施。绝大多数 60%+ 成功率的模型均依靠大模型 Agent 开展自主规划、语义 Grounding 和快慢分工。
冲刺 70%+ SR 的三大关键增益量（SOTA 级配置）：
- 堆数据 (47%)：Top 4 模型（Robostral、Qwen-RobotNav、ABot-N1、OmniNav）全量采用了 10M+ 海量轨迹/通用 VLM 数据预训练。
- 堆相机 / 三视角 (26%)：ABot-N1 (70.9%) 与 OmniNav (69.5%) 证明三视角（Tri-view）消除了侧向盲区，避免了单目频繁原地转头（Turn 15°）的效率消耗。
- 强化学习对齐 (16%)：Robostral (76.6%) 的 CISPO 在线 RL 与 ABot-N1 (70.9%) 的 GRPO 安全采样，是模型脱离 65% 平原、冲刺 70%~76% 的最终临门一脚。
高频闭环的新趋势（末层回归头 / 流匹配 16%）：
- Robostral、ABot-N1 (Sys1)、OmniNav 均放弃了词表文本 Token 自回归，通过 Transformer 最后一层引出的回归头或流匹配（Flow-Matching）直接输出连续坐标，实现 5~10Hz 的零量化精度损失高频闭环。

10. 对团队 VLN 研发的落地建议与技术路线推荐

基于上述 R2R-CE SR ≥ 60% 前列模型的成功经验，针对团队自研连续 VLN 系统，提出以下四个一等公民（First-Class Citizens）研发建议：

flowchart TD
    REC["团队 R2R-CE SOTA 研发推荐路线"] --> R1["1. 整体架构与闭环协议: 快慢双系统 + Agentic 闭环协议<br/>- 慢系统 (System 2): Qwen2.5-VL-7B / Qwen3-VL-4B/7B (运行于 1~2Hz)<br/>- 快系统 (System 1): 轻量 Waypoint Controller 或 流匹配 Flow-Matching (运行于 10~30Hz)<br/>- 引入 ReflectVLN <VLNBOC> 偏航自纠错 Token 与 Skill-Nav 越障 Waypoint 技能接口"]
    REC --> R2["2. 硬件与感知: 优先选三视角 (Tri-view)<br/>- 前视 + 左右视 RGB 镜头, 消除 180°+ 盲区<br/>- 参考 ABot-N1 (70.9%) 与 OmniNav (69.5%), 避免单目频繁主动转头 (Turn 15°) 带来的耗时"]
    REC --> R3["3. 动作接口: 2D 像素目标 Grounding + Transformer 末层连续回归头<br/>- 慢系统预测图像像素坐标 <pixel_u, pixel_v><br/>- 快系统通过末层回归头/流匹配输出连续物理路点, 彻底消解坐标网格量化误差"]
    REC --> R4["4. 数据与训练 Recipe: SFT + 自动化 3D-2D 投影 + GRPO 强化学习<br/>- 阶段一: 混入通用 VLM 图文数据 + 自动生成的 3D 轨迹 2D 投影最远点数据 (类似 DualVLN/ABot-N1)<br/>- 阶段二: 引入 DAgger 偏航轨迹与 <VLNBOC> 自纠错数据 (类似 ReflectVLN)<br/>- 阶段三: 采用 GRPO 在线 RL 训练慢系统, 加入 3D 可通行安全奖励与简短 CoT 惩罚"]

落地具体步骤规划：

第一阶段：基线搭建与数据流水线（1-2个月）
- 建立基于 Habitat 的自动化数据采集脚本，实现从 3D 仿真轨迹向 2D 相机视角的自动投影与深度遮挡过滤，批量合成最远可见像素点标注数据。
- 慢系统基模选用开源 SOTA（如 Qwen2.5-VL-7B 或 Qwen3-VL-4B），微调输入格式为三视角图像，输出格式为 <think> CoT </think> <pixel_u, pixel_v>。
第二阶段：快慢系统解耦与连续坐标回归（1个月）
- 快系统可选用在 Transformer 最后一层加挂回归头或 Flow-Matching 的微型 VLM（参考 OmniNav / ABot-N1 方案），接收慢系统下发的像素点/Waypoint，高频（10~20Hz）解算连续控制量。
第三阶段：GRPO / CISPO 强化学习与端侧部署（1-2个月）
- 引入带有 3D 安全净空（Safety Distance）和 Token 长度惩罚（Brevity Penalty）的 GRPO 强化学习，在仿真器中开展 10k+ episodes 的在线 Policy 优化。
- 端侧部署采用 llama.cpp 进行 4-bit 量化（IQ4-XS）或 KV Cache 缓存重用，并在实体移动底盘/四足机器人上部署基于 <VLNBOC> 状态 Token 的偏航反思自纠错机制。

Tingde Liu

具身视觉语言导航（VLN）前沿模型技术方案深度分析报告

具身视觉语言导航（VLN）前沿模型技术方案深度分析报告

目录

1. 执行摘要与基准范围界定

R2R-CE SR ≥ 60% 前列模型核心结论摘要：

2. 维度一：架构范式——快慢双系统与 Agentic 闭环协议

2.1 快慢双系统解耦架构（Fast-Slow Architecture）

代表性前列方案解析：

2.2 Agentic 闭环协议、状态 Token 与 Waypoint 技能接口

(1) ReflectVLN (SR 62.8%) 的事件驱动状态 Token 接口 (`<VLNBOC>`)

(2) Waypoint 越障技能接口 vs 速度命令 `(v, w)`

3. 维度二：数据规模与大规模数据合成策略

3.1 R2R-CE 前列模型训练数据规模对比

3.2 自动化 3D 轨迹到 2D 像素目标的数据生成流水线

4. 维度三：视觉空间感知与多视角/全景/3D模态

4.1 单目 vs 三视角（Tri-view）的物理效率对比

5. 维度四：动作表征——像素点预测 vs 导航点/拓扑图 vs 连续轨迹

5.1 为什么“像素目标点（Pixel Goal）”成为主流？

5.2 连续坐标生成机制：Transformer 末层回归头 / 流匹配 (Flow-Matching) vs 离散 Token

代表前列模型的技术实现拆解：

连续坐标预测方案横向对比：

6. 维度五：训练策略与后训练——强化学习（RL/GRPO）、DAgger与SFT

6.1 ABot-N1 (SR 70.9%) 的 GRPO 强化学习与安全/平衡采样

6.2 Robostral Navigate (SR 76.6%) 的 CISPO 在线强化学习

7. 维度六：推理思考链（CoT）、自纠错反思与端侧部署

7.1 精简 CoT 与推理延迟折中

7.2 边缘侧量化与 KV Cache 加速

8. R2R-CE SR ≥ 60% SOTA 前列模型综合对比矩阵

9. 前列模型技术方案组合统计与要素打勾矩阵

前列模型解法组合（Recipe）统计研判：

10. 对团队 VLN 研发的落地建议与技术路线推荐

落地具体步骤规划：

具身视觉语言导航（VLN）前沿模型技术方案深度分析报告

具身视觉语言导航（VLN）前沿模型技术方案深度分析报告

目录

1. 执行摘要与基准范围界定

R2R-CE SR ≥ 60% 前列模型核心结论摘要：

2. 维度一：架构范式——快慢双系统与 Agentic 闭环协议

2.1 快慢双系统解耦架构（Fast-Slow Architecture）

代表性前列方案解析：

2.2 Agentic 闭环协议、状态 Token 与 Waypoint 技能接口

(1) ReflectVLN (SR 62.8%) 的事件驱动状态 Token 接口 (<VLNBOC>)

(2) Waypoint 越障技能接口 vs 速度命令 (v, w)

3. 维度二：数据规模与大规模数据合成策略

3.1 R2R-CE 前列模型训练数据规模对比

3.2 自动化 3D 轨迹到 2D 像素目标的数据生成流水线

4. 维度三：视觉空间感知与多视角/全景/3D模态

4.1 单目 vs 三视角（Tri-view）的物理效率对比

5. 维度四：动作表征——像素点预测 vs 导航点/拓扑图 vs 连续轨迹

5.1 为什么“像素目标点（Pixel Goal）”成为主流？

5.2 连续坐标生成机制：Transformer 末层回归头 / 流匹配 (Flow-Matching) vs 离散 Token

代表前列模型的技术实现拆解：

连续坐标预测方案横向对比：

6. 维度五：训练策略与后训练——强化学习（RL/GRPO）、DAgger与SFT

6.1 ABot-N1 (SR 70.9%) 的 GRPO 强化学习与安全/平衡采样

6.2 Robostral Navigate (SR 76.6%) 的 CISPO 在线强化学习

7. 维度六：推理思考链（CoT）、自纠错反思与端侧部署

7.1 精简 CoT 与推理延迟折中

7.2 边缘侧量化与 KV Cache 加速

8. R2R-CE SR ≥ 60% SOTA 前列模型综合对比矩阵

9. 前列模型技术方案组合统计与要素打勾矩阵

前列模型解法组合（Recipe）统计研判：

10. 对团队 VLN 研发的落地建议与技术路线推荐

落地具体步骤规划：

(1) ReflectVLN (SR 62.8%) 的事件驱动状态 Token 接口 (`<VLNBOC>`)

(2) Waypoint 越障技能接口 vs 速度命令 `(v, w)`