具身导航周报（2026-10-02 ~ 2026-10-08）

2026-10-11

一、本期结论

  • 本期 147 篇新增工作中，3 篇明确报告 R2R-CE 结果，但数字衡量的对象不同。 NavGPT-3 报告连续环境 R2R-CE / RxR-CE 的 SR 为 81.51 / 90.43；StageVLN 在 R2R-CE val-unseen 报告 SR 56.3%、SPL 51.4%。PG-VP 的 84.9% / 83.2% 是两套连续基准上的低风险动作引导比例，同时导航 SR 分别下降 6.8 / 7.9 个百分点。本报告判断：先对齐任务、划分与安全目标，再讨论性能，不能把这些数字直接排成榜单；这里均不是离散 R2R。
  • 导航运行时的核心问题变成“谁在何时接管运动”。 NavGPT-3 把推理、行动和监控分成可调度线程；SuperNav 用视觉点接口连接通用模型与导航工具。RT-SAFE 在世界持续演化的仿真中发现，实时执行的碰撞数可达配对静态评估的 12.3 倍。本报告判断：模型答得对，还需要系统及时执行、中断和恢复，任务完成率不能单独代表闭环可靠性。
  • 长期记忆开始同时回答“在哪里看见过”和“这段记忆如何影响下一步”。 LiSoNav / IVAM-Nav 将小物体记忆绑定到观察视点，并评估物体搬动后的重新确认；MarvisNav 将探索状态直接标在候选路线的图像位置。本报告判断：对地面机器人，更值得验证的是记忆能否减少重复搜索、纠正过期判断，而非上下文能存多少帧。
  • 降低计算量需要保留决策所需的信息，并测量完整闭环。 StageVLN 把几何辅助模块限制在训练阶段；LiteNWM 用未来潜表示给候选轨迹评分；LaTraNav 用慢语义模块配合快规划器。本报告判断：训练时增加结构监督、推理时压缩预测、运行时异步更新，是不同的优化位置；RTX 5090 上的加速不能直接视为机载性能。

本期新增 147 条，对应 147 篇独立 arXiv 工作，实际发表日期覆盖 2026-10-02 ~ 2026-10-08；另更新 5 篇既有论文版本，不计入新增。公众号新增 0 条。自动主池为导航 32 篇、具身 Agent 17 篇，共 49 篇；次池为 VLA·操作 87 篇、自动驾驶 1 篇、其他 10 篇，共 98 篇。自动标签存在边界误判：PG-VP、SpikingVLA 等导航工作落在次池，IndexAct 等非具身工作进入主池。下文按实际研究内容安排阅读顺序，以上统计保留自动分池口径；分类速览覆盖全部 147 篇。

二、优先阅读清单

  1. NavGPT-3 · 连续 R2R-CE / RxR-CE 与运行时调度
    • 贡献：分别维护推理、行动和监控上下文，支持线程中断与运动控制权切换。
    • 证据：摘要报告完整系统 SR 81.51 / 90.43；未注明对应数据划分，比较前须核对评测协议。
    • 理由：同时涉及当前关注的连续 VLN 与 AgentOS 式运行机制。
  2. StageVLN · 连续导航的训练期空间监督
    • 贡献：几何、相对朝向与路线进度监督只用于训练。
    • 证据：4B 主干，R2R-CE val-unseen SR 56.3%、SPL 51.4%；RxR-CE SR 54.3%，摘要未注明其划分。
    • 理由：适合检验不增加部署模块的表征改进。
  3. PG-VP · 连续导航中的非视觉风险
    • 贡献：将温度或辐射风险转为动态虚拟障碍，驱动冻结 OmniNav 避让。
    • 证据：R2R-CE / RxR-CE val-unseen 低风险动作引导比例 84.9% / 83.2%，代价是 SR 下降 6.8 / 7.9 个百分点。
    • 理由：直接展示安全目标与到达目标之间的权衡；不应将引导比例写成 SR。
  4. MarvisNav · 零样本 ObjectNav
    • 贡献：把候选拓扑节点及其探索状态投影到当前视图。
    • 证据：HM3D SR 81.2%、SPL 42.5%；摘要称 VLM 调用量为 WMNav 的 7.5%。
    • 理由：记忆接口明确，可设计保持信息量不变的对照。
  5. LiSoNav / IVAM-Nav · 动态物体布局中的终身搜索
    • 贡献：空记忆起步，通过多视点检查与视点锚定记忆搜索小物体。
    • 证据：LiSoNav-Eval 含 28 个室内场景、45 类小物体；摘要未提供可核验的 SR / SPL。
    • 理由：任务假设贴近家庭机器人长期使用。
  6. SuperNav · 通用请求与陌生环境
    • 贡献：不对通用 MLLM 做导航专用微调，以技能、工具和进度管理支持持续导航。
    • 证据：摘要报告实例级、多物体、需求驱动任务、HM3D 和四足真机评估，未给绝对指标。
    • 理由：适合对照不同运行时如何连接通用推理与专用执行。
  7. LiteNWM · 视觉导航的候选轨迹评估
    • 贡献：共享视觉编码，联合预测多时域未来潜表示并评分。
    • 证据：RECON / SCAND / SACSoN 离线宏平均轨迹误差相对 NoMaD+NWM-XL 降低 17.56%；RTX 5090 加速 128.00 倍。真机导航相对 NoMaD 的成功率为 43.3% → 83.3%。
    • 理由：值得核查候选数量、硬件、闭环试验规模及评分器迁移条件。

问题。 长时推理与低延迟运动需要不同的执行节奏。

方法。 论文 将推理、行动、监控组织成拥有独立上下文、工具和权限的线程，由运行时调度。

证据。 摘要称最低反应时间由每次语言模型决策的 3–19 秒降至每个动作策略步骤的 0.5–1 秒。上述 SR 结果尚需结合具体划分解读。

价值。 本报告判断：可借鉴的是中断、上下文隔离与执行反馈接口。

局限。 最低反应时间不代表端到端最坏响应时延；基准成功不能证明通用物理环境中的人类水平。

建议。 优先审查运动控制权交接、监控触发条件和失败恢复日志，再决定复现范围。

2. StageVLN：在训练中学习空间结构

问题。 单靠动作监督未必保留几何、朝向和全局进度信息。

方法。 论文 用冻结几何模型提供分层空间监督，结合相对朝向与专家路线进度目标，部署时移除辅助模块。

证据。 R2R-CE val-unseen 的 SR / SPL 已在清单列出；摘要未提供同主干基线与训练成本。

价值。 本报告判断：适合部署结构已固定、仍能调整训练流程的系统。

局限。 移除辅助模块不等于降低原主干计算量，也不意味着训练免费。

建议。 分别移除几何、朝向和进度监督，并固定数据与训练预算比较。

3. MarvisNav：让记忆直接参与候选路线选择

问题。 文本历史与当前图像分离时，模型还需推断记忆与可选路线的对应关系。

方法。 论文 用拓扑图维护局部探索进度，将候选节点和状态一起显示在自我中心视图中。

证据。 摘要报告 HM3D 的 SR / SPL 与调用量优势，也包含真机验证，但未给出真机试验规模。

价值。 本报告判断：收益可能来自信息的呈现方式，可先做接口级复现。

局限。 更少模型调用不自动等于更短总时延；建图与投影仍有成本。

建议。 保持节点、探索信息和模型相同，对照文本、独立地图与图像叠加三种接口。

4. LiSoNav / IVAM-Nav：把“没看见”放回观察条件

问题。 小物体易被遮挡、经常搬动，旧位置记忆不足以支持持续搜索。

方法。 论文 从互补视点检查支撑面，并将记忆与观察视点关联，以便复用和重新核验。

证据。 基准区分未移动与已移动目标，要求空场景记忆起步；规模见清单，摘要没有性能数值。

价值。 本报告判断：它把搜索效率、可见性和记忆失效放入同一个任务。

局限。 目前条目不足以判断感知成本、位姿误差影响或真机可复现性。

建议。 分开记录旧位置复查成本、有效观察次数和搬动后的恢复时间。

5. SuperNav：检查通用请求如何落到可执行目标

问题。 导航专用微调的覆盖范围可能限制新请求、新环境的泛化。

方法。 论文 保留通用 MLLM，借助技能、工具、上下文管理和统一视觉点接口完成导航。

证据。 摘要称在多种任务上超过四个基线，并报告四足部署；缺少可比较的绝对值。

价值。 本报告判断：可重点检查语义目标转换成可执行目标的接口。

局限。 “任意任务、任意场景”是论文标题，现有摘要证据不能支持无限泛化。

建议。 在未知物体、含歧义请求与目标不可达时检查反馈和重规划，而不只看成功演示。

四、可迁移方法

  • 间歇感知：ALONE。 通过动作传播空间信念，可靠性不足且新观测有帮助时再看。两类无人机仿真成功率为 98% / 97%；仅在成功试验内，新深度观测步骤占比中位数为 0.9% / 1.3%。本报告判断：可借鉴到共享相机的地面导航，但需重测轮式运动模型、动态障碍和失败试验的感知需求。
  • 紧凑历史：LightVLN。 用每帧单 token 历史与局部聚合减少输入。摘要报告 Orin NX 16 GB 上 14.61 Hz 推理、11.13 Hz 端到端更新；这是 real-to-sim 硬件在环评估。本报告判断：适合参考输入压缩方式，不能作为真实环境自主飞行或地面 VLN 成功证据。
  • 因果记忆评测：EMBER-Bench。 同时测下一动作选择和历史原因回溯；16 个模型中最高准确率 61.2%，两位人类评估者均值 98.3%。本报告判断：可在地面导航加入“此前门已关闭、目标被搬动”等历史约束，验证记住原因后能否实际改变动作；问答成绩仍不等于闭环控制。
  • 子任务上下文：RobotUse。 由后端处理几何、规划和控制，子任务保留细节并返回决策所需信息，执行经验更新持久操作手册。RoboLab 任务成功率 45%，高于 CaP-X 6.7 个百分点。本报告判断：可借鉴到导航子目标的上下文交接，但需另测移动过程的时延与连续状态一致性。

五、分类速览

A = 直接服务地面导航；B = 有明确可迁移机制或评测价值；C = 低相关领域观察。操作论文按主题压缩；分类位置不改变自动分池统计。

5.1 地面 VLN / ObjectNav / 语义导航

  • LiteNWM（A）：未来潜表示评估轨迹，见优先清单。

  • LaTraNav（A）：慢 VLM 与快规划器异步协作，摘要报告同语义更新率下路径更新加速 6.05 倍。

  • SuperNav（A）：通用请求到导航工具，见重点分析。

  • TAPNAV（A）：视觉不可用时主动触碰环境，以信息增益辅助定位与路线规划。

  • AirGroundVLN（A）：空地协同目标导航，强调跨视角记忆与区域到局部规划。

  • LiSoNav / IVAM-Nav（A）：动态小物体终身搜索，见重点分析。

  • SpikingVLA（A）：脉冲模型的异步推理；摘要提到导航 SR / SPL，但未注明基准，不据此横比。

  • MixVPR Teach-and-Repeat（A）：以 MixVPR 做视觉地点识别，降低示教重放系统的硬件需求。

  • SiGNgapore（A）：真实公共空间的标识导航数据，支持连续的标识决策研究。

  • NavGPT-3（A）：导航线程调度与中断，见重点分析。

  • COOL（A）：从人—物交互推断所有权，主动更新记忆以支持个性化找物。

  • RT-SAFE（A）：仿真在推理期间持续演化，分别测任务完成和安全事件。

  • CUSP（A）：用风险起始标注和累积告警识别越野危险，不能把人工接管时刻等同于风险起点。

  • PG-VP（A）：非视觉风险的动态提示，见优先清单；自动标签为 VLA·操作。

  • Risk-Sensitive Crowd Navigation / AECP（A）：以方向相关的不确定性椭球及尾部风险约束适应人群运动分布变化。

  • Semantic-Aware Humanoid Navigation（A）：联合处理高程图难以表达的风险与指令—执行偏差；仿真导航和真机步态验证须区分。

  • Ackermann VLN Sim-to-Real（A）：在阿克曼转向平台上研究连续 VLN 迁移，摘要未给 SPL / nDTW 数值。

  • MarvisNav（A）：可视化探索记忆，见重点分析。

  • Dual-VAE Sim-to-Real（A）：双 VAE 对齐仿真与真实特征；摘要的近 91% 是图像分类指标，不是闭环导航 SR。

  • JESSI（A）：从 LiDAR 到可执行控制，联合学习人群感知与社会导航。

  • StageVLN（A）：训练期空间与进度监督，见重点分析。

  • Tour-guide Social Navigation（A）：面向跟随导览机器人的社会力模型，摘要主要提出实验设计。

  • TACET（A）：将空间礼让与行走噪声联合控制，避免仅把社会导航理解为保持距离。

5.2 记忆、地图、规划与评测

  • 2DGS-Planner（B）：在高斯地图上以光栅化查询可通行几何，属于几何规划组件。

  • Mine Odyssey（B）：在 Minecraft 重建场景测长程空间探索，不等同于真机导航。

  • Arena 5.0（A）：ROS2 社会导航仿真与场景生成平台。

  • SCOPE（B）：为轨迹扩散模型生成可用于控制的不确定性估计，包含人群导航评估。

  • Ctrl-CWM（B）：通过世界模型规划生成可受目标控制的人群行为。

  • iAm.md（B）：用部署证据与持久对象记录帮助机器人判断技能是否可执行。

  • System Switch（B）：研究何时请求慢推理；Doom 闭环实验无方案到达出口，离线收益不能替代任务成功。

  • ActiveLang（B）：以语义不确定性选观察视点，主动建立开放词汇 3D 地图。

  • VeriFine（B）：让策略、课程和验证器共同改进，关注反馈判断本身的瓶颈。

  • SPW-Nav（B）：语言控制的流式全景生成，生成视频质量不是导航策略成绩。

  • Evidence-Driven Human-Agent-Robot Teaming（B）：以有权限边界的服务编排证据采集，当前证据为场景示例与硬件在环原型。

  • SpaTime（B）：因果几何 token 与响应时间监督支持流式空间推理。

  • EMHO（B）：从执行轨迹修订冻结模型之外的 harness，并处理子任务间取舍。

  • Attacca（B）：在 Minecraft 中训练搜索—接近—交互连续过程，强调上个任务留下的状态。

  • OntoPlan（B）：以符号场景与动作前提支持长程机器人规划；自动标签为其他。

  • Inspect Robots（B）：用于物理评估的模块化任务、执行与终止基础设施。

  • Embodied Guardrail Benchmark（B）：将防护效果、正常任务误拦截和运行时延分开评估。

  • Direction-Conditioned Policies（B）：用表征空间方向与距离组织目标条件策略，非语言导航专用方法。

  • EMBER-Bench（B）：历史原因与下一动作的联合评测，见可迁移方法。

  • RobotUse（B）：子任务上下文与持续经验手册，见可迁移方法。

  • PreAct-Nav（A）：持续子目标与动作条件未来预测支持城市导航，摘要未给绝对指标。

  • ROMA（B）：通过交互主动取得视觉、声音、触觉和力觉证据，面向对象感知。

5.3 具身 VLA / 移动操作

5.4 无人机、自动驾驶与其他低相关方向

5.5 资讯与非论文

  • 本期没有新增公众号文章或独立资讯；以上均为论文条目。
  • 运行时成为可单独比较的研究对象。 NavGPT-3、SuperNav 与 EMHO 分别研究调度、执行接口和经验驱动的 harness 修订。本报告判断：同一底层模型下，系统组织方式需要独立消融，不能全部归功于模型能力。
  • 观察、记忆、动作应形成可核验的因果链。 IVAM-Nav、MarvisNav 与 EMBER-Bench 从可见性、空间呈现和历史约束切入。本报告判断：记忆评估应问“它改变了哪次决策、是否改变正确”，而不只比较检索或回答分数。
  • 效率目标必须与安全和完成率一起报告。 本期 49 篇自动主池与 98 篇次池数量悬殊；大量操作模型的加速结果不能直接转成导航结论。LiteNWM、LaTraNav 和 RT-SAFE 提示，应同时记录全链路时延、观测新鲜度、任务完成与碰撞。

研究空白

  • 连续 VLN 尚缺本期可直接对齐的“划分、观测、干预方式、计算预算、动态环境”统一比较。尤其不能把最低响应时间当作最坏响应保证。
  • 视点锚定记忆与可视化路线记忆如何在位姿漂移、目标搬动和感知误检同时存在时协作，本期摘要尚未给出联合验证。
  • 对避险引起的任务失败，如何区分合理拒绝、必要绕行与策略退化，仍需要与 SR 分开的评价。

高优先级

  • 精读 NavGPT-3 与 StageVLN。 先核对 R2R-CE / RxR-CE 划分、训练数据、输入条件和中断机制，再选择基线；不要混用离散 R2R 结果。
  • 复现 MarvisNav 的记忆呈现对照。 固定底层模型与信息量，测重复访问、搜索路径和真实总时延。
  • 跟踪 LiSoNav 的数据与代码。 从空记忆起步，分别检查目标搬动与未搬动时的搜索效率。

中优先级

  • 评估 PG-VP 的安全—成功权衡。 保留低风险动作引导比例与导航 SR 两种指标，不用单个加权总分掩盖代价。
  • 检查 SuperNav、LiteNWM 与 LaTraNav 的部署接口。 在目标硬件上记录端到端延迟、观测到执行的时间差和失败恢复。
  • 补充持续运行测试。 参考 RT-SAFE，让行人与障碍在推理期间继续运动；保留静态配对实验作为对照。

低优先级

  • 暂缓将次池操作成绩迁入导航排行榜。 空中导航、游戏智能体、桌面操作与自动驾驶只在明确任务映射和验证协议后迁移；本期未提供闭环指标的工作先跟踪资料。

反馈