导航，是机器人实现自主移动与一切智能决策的先决条件。
引言
本人从2016年开始就围绕机器人导航开展相关的研究，从最初的感知-规划-控制三段式架构，到如今融合大模型的端到端导航系统，具身智能导航已从”能走”走向”会思考”。 随着具身智能与大模型技术的深度融合，视觉-语言-导航（VLN）成为具身智能的核心研究方向。 此前也写了一些博客来记录调研与学习的过程。总体来看还是有些散乱，为此写下本博客对整个具身智能导航做系统性介绍。 本博文仅供本人学习记录用～
- Paper List for VLN
- Paper Survey之——Awesome Visual-Language-Navigation (VLN)
- 代码阅读笔记之——Odin Navigation Stack
- 论文阅读及复现笔记之——《NaVILA: Legged Robot Vision-Language-Action Model for Navigation》
- Paper Survey之——基于真实机器人的VLN
- 论文阅读笔记之——《Zero-shot Object-Centric Instruction Following: Integrating Foundation Models with Traditional Navigation》
- 论文阅读笔记之——《Sensing, Social, and Motion Intelligence in Embodied Navigation: A Comprehensive Survey》
- Paper Survey——CLIP on VLN
- 论文阅读笔记之——《Vision-and-language navigation today and tomorrow: A survey in the era of foundation models》
具身智能导航的核心逻辑是什么？
首先，解读下什么是具身智能？
- 广义智能：是指一个“智能体”具备看、听、说、思考以及行动的综合能力。
- 具身（Embodied）：其本质是“赋予身体”，即智能不再是脱离物理世界的算法，而是与物理实体深度耦合。
因此，具身智能就是为智能体赋予物理形态。这种形态可以是多样化的：人形机器人、无人机、自动驾驶车辆、工业机械臂或轮式底盘。
具身智能（Embodied Intelligence）是指智能体通过物理身体与环境交互，实现感知、推理与行动的综合能力。它不仅仅是"能看、能听、会说、爱思考"，更是"能动"——通过身体与环境的互动来理解世界。
基于此，具身智能导航的研究内核便十分清晰：即让一个具有物理本体（不限于机器人，无人机，无人车）的智能体，能够依靠自身‘视觉’理解能力，‘听从’人类语言指令，依靠空间‘推理’，在真实环境中完成‘导航’任务，并且在需要的情况下和人类或其他智能体进行‘交流’。看、说、听、想、动再加个本体，这就是具身智能导航，就是我们本博文讨论的问题。
对于VLN，智能体需要遵循自然语言指令，在陌生环境中导航到目标位置。这需要智能体具备视觉感知、语言理解、空间推理以及路径规划等能力。
目前具身智能研究主要聚焦于“上半身”的操作（Manipulation）与“下半身”的移动（Locomotion/Navigation）。尽管两者都遵循“感知-推理-执行”的工作流，但侧重点截然不同：
- 操作（Manipulation）更侧重“执行”，而相对轻“感知与推理”。 这是因为操作任务面对的环境相对局促，目标通常为单一或少数物体，对宏观环境的理解要求较低。其核心难点在于高精度的控制信号、复杂的接触力学以及细粒度的抓取策略。
- 导航（Navigation）则相反，它重“感知与推理”，而相对轻“执行”。 导航面对的是广阔且异构的物理空间，物体种类与位置排布千差万别。这要求智能体具备极强的空间语义理解与逻辑推理能力，从而在复杂环境中拆解任务并定位目标。至于“如何走到目标点”，在机器人领域已属于相对成熟的工程问题。因此，导航任务的核心挑战在于认知与规划。
navigation其实是一个重‘感知推理’，而轻‘执行’的课题。
技术分类
1. 传统分块式 （Modular-based）
核心逻辑：采用经典的感知与控制解耦架构，各模块功能明确。代表工作有：
- Odin-Nav-Stack：SLAM+动态避障/Neupan(基于雷达点输入的端到端导航控制)+语义导航(基于指令分解与YoLo实现物体的检测、定位与相对物体的导航)+场景描述
- RANGER:对于RGB输入先通过MASt3R-SLAM估算pose和dense 3D map，然后调用语以模块（CLIP+Grounding DINO）生成语义点云，导航则是采用基于2D栅格（由3D投影而来）的路径规划，进而实现zero-shot目标导航。
2. 端到端大模型 (End-to-End Foundation Models)
核心逻辑：模型直接将传感器输入映射到底层控制指令（如离散动作或速度），取消显式的物理坐标接口。强调大规模数据驱动的泛化能力。代表性工作有：
3. 双系统架构
核心逻辑：遵循“大脑指路，小脑走路”的哲学。大脑负责高层语义规划，小脑负责底层运动控制，是目前足式机器人长程导航的主流。代表性工作有：
4. 分层架构
核心逻辑：大脑在视觉空间内规划目标（如“画个圈”），视觉策略网络负责引导机器人追踪该目标。换句话说大脑负责规划，然后通过端到端导航网络实现导航，这部分跟双系统其实是有点像的。代表性工作有：
- VLA-AN: 1. 基于3D-GS的高保真数据构建(100K+ 轨迹和 1M+ 多模态样本的混合数据集);2.渐进式三阶段训练策略(海量VQA数据训练学会看图说话/空间推理—导航训练学习输出3D航点和偏航角—强化学习保证长序列任务的决策一致性和鲁棒性)；3. 非生成式动作模块（为了保证安全不直接输出电机控制信号，而是输出局部3D航点）+轻量级的action module（结合深度信息保证安全）+轻量化模型（Flash-Attention、算子融合、KV-Cache 预加载以及 CUDA Graph 调度）。7B模型（ViT+LLM），在Jetson Orin NX（ 100+TOPS）上可实现2～3Hz的控制频率（7B模型：0.11s/token， 2B模型：0.032s/token），单任务成功率高达98%且有实机飞行测试；（注意，此工作的模型是不直接输出电机控制信号的，而是交给action module，action model是负责避障碍然后生成控制指令）
5. 地图与图解算流派 (Map-Centric & Solver-Based)
核心逻辑：强调显式的空间记忆与几何约束，依赖显式构建的地图与逻辑算力而非纯粹的神经直觉。代表性工作有：
- FSR-VLN：层次化多模态场景图(HMSG)：多模态地图表征（FAST-LIVO2等：几何+语义+显式拓扑关系）实现粗略的room-level定位到精细的目标视角与物体定位；接下来的快速到慢速导航推理（FSR）基于HMGS，应用VLM实现最终目标的选择；基于选择的目标实现路径规划以及全身控制来到达目标（这部分采用传统方案）；Unitree-G1验证157m导航。
6. 生成式与世界模型流派 (Generative & World Models)
核心逻辑：利用 扩散模型(Diffusion) 或 世界模型(World Model) 预测未来，把导航变成“视觉生成”问题。代表性工作有：
- NavForesee：高德地图，首次将视觉语言模型（VLM）规划与世界模型预测相结合，用于导航任务。