北京
新智元報道
商業地圖可以告訴機器人「前方右轉」，卻無法直接告訴它眼前應該從哪里轉、沿哪一側通過；即使已經生成路線，控制誤差、地面變化和動態障礙，也可能讓機器人在行進過程中逐漸偏離。
從系統角度看，這意味著「路徑被規劃出來」并不等價于「路徑可以被執行」。
這正是長程導航從「規劃正確路線」走向「真實閉環執行」時面臨的核心問題。
針對這一問題，星源智提出DA-Nav，一套面向城市級長程場景的方向感知視覺語言導航框架。DA-Nav將商業導航指令、第一視角空間理解和偏航恢復統一到同一條決策鏈路中，使機器人不僅能夠理解「往哪里走」，還能夠判斷「當前是否走偏」，并在偏差發生后主動回到正確路線。
這一設計的核心變化在于：導航系統開始具備「執行過程中的自我校正能力」。
DA-Nav架構圖
突破指令與動作鴻溝
把「前方右轉」落到眼前
對于人類來說，「前方右轉」是一條足夠清楚的指令。人可以結合路口結構、當前朝向和道路形態，自然判斷下一步應該從哪里經過。但這一認知過程，本質上依賴人類對三維空間的完整理解，而不是語言本身。
所以，對機器人而言，這類面向人類認知設計的方向指令仍然過于抽象，不能直接轉化為局部軌跡。
DA-Nav沒有讓視覺語言模型直接預測連續三維坐標，而是將機器人第一視角中的道路空間劃分為候選區域，讓模型先在畫面中判斷接下來應該經過哪些位置，再由控制模塊將這些空間落點轉化為可執行軌跡。
這一機制的關鍵意義在于：語言指令第一次被穩定映射到「空間決策點」，而不是抽象語義。
DA-Nav空間落點機制簡單來說，模型不再憑空「畫出一條路」，而是在自己看到的場景中連續指出：下一步走這里，再走這里。這一變化將視覺語言模型的「理解能力」轉化為「空間執行能力」。
DA-Nav空間落點機制
在此基礎上，DA-Nav進一步將導航決策組織為：
狀態判斷—動作選擇—軌跡預測。
機器人首先判斷當前是否偏離路線，再決定繼續前進、轉彎或進行方向修正，最后生成局部空間目標。
這一結構使導航從「直接響應指令」，轉向「持續狀態判斷驅動」。對NavBrain而言，這建立了從長程方向理解到局部行動執行之間更清晰、更穩定的決策鏈路。
結構化決策
讓導航從直接預測走向先判斷、再行動
長距離導航中，偏航不是偶發異常，而是持續執行中的常態。換句話說，偏航不是錯誤，而是系統運行過程中的必然狀態。
地面打滑、控制誤差、動態障礙和視覺波動，都可能讓機器人逐漸離開原定路線。但傳統導航數據通常以專家正確軌跡為主，模型學習的是「理想情況下應該怎么走」，卻很少真正經歷偏航與恢復過程。
這類模型可以沿正確路線前進，卻未必知道自己何時已經走偏，更不知道應該如何重新回到路線。
為此，DA-Nav構建了ReDA恢復感知導航數據集，通過受控擾動主動制造偏航狀態，并記錄相應的專家恢復行為。
模型由此不僅學習如何走對，也系統學習三個問題：
什么時候已經偏航、應該向哪一側修正，以及如何重新回到正確路線。這使導航學習從「單一正確軌跡學習」，擴展為「包含錯誤狀態的完整經驗學習」。
真實路口基礎動作對比
ReDA共包含約28.6萬條時序樣本，其中約12.8萬條為恢復數據。大規模恢復樣本讓模型在訓練階段接觸大量非理想狀態，并建立偏航判斷與糾正動作之間的穩定關聯。從實驗結果看，這一設計補齊了長程導航中「錯誤經驗缺失」的問題。
完整模型的糾正成功率高達98.15%；去除恢復數據后，這一指標驟降至15.46%，導航成功率也由59.00%下降至29.71%。這組差異意味著，糾偏并不是模型在執行過程中自然獲得的附加能力。
只學習正確路線，機器人可能能夠走一段；只有把錯誤狀態和恢復過程明確納入訓練，機器人才能在偏航后真正找回方向。
DA-Nav因此補齊了長程導航中長期被忽視的一環：不只訓練機器人怎樣走對，也訓練它走錯后怎樣回來。
98.15%糾正成功率
提升NavBrain長程閉環上限
在覆蓋已見和未見城市場景的長程閉環評測中，DA-Nav取得59.00%的導航成功率、77.82%的路線完成率和98.15%的糾正成功率。這一組結果的關鍵意義，并不在于整體成功率，而在于「糾偏能力接近穩定可靠」。
DA-Nav跨城泛化與壓力測試
其中，98.15%的糾正成功率最能體現這項研究的價值。
如果把長程導航比作沿著一條細線行走，傳統方法更擅長在沒有干擾時沿線向前；DA-Nav則進一步具備在偏離細線后主動靠回來的能力。這意味著系統不只是「能走對」，而是「能在走偏后恢復正確路徑」。
對長程任務而言，每一次成功糾偏，阻止的都不只是一次局部錯誤，而是誤差在后續過程中的持續累積。機器人不會因為一次偏移徹底離開路線，而能夠在行進過程中不斷判斷、不斷修正。
這種能力，也讓DA-Nav具備更強的跨場景和跨本體遷移價值。
同一高層導航策略在沒有使用真實世界數據進行微調的情況下，被部署到四足機器人和人形機器人，并完成超過1200米的真實環境導航驗證。
這說明系統學習到的不是「某條路徑」，而是一種可遷移的導航決策能力。
從單點決策到長程閉環
DA-Nav升級NavBrain導航能力
在NavBrain的能力鏈路中，DA-Nav承擔的是長程方向理解、局部目標生成與主動糾偏。它的作用不是替代規劃模塊，而是讓規劃結果能夠在執行過程中持續成立。
它接收地圖提供的全局方向，結合機器人第一視角判斷下一步應該經過的位置，并在執行偏差發生后主動恢復。由此，NavBrain形成一條更加完整的閉環：
理解方向—生成目標—執行軌跡—判斷偏差—主動修正。
DA-Nav的研究價值，不只是將「前方右轉」轉化成一個局部空間落點，也不只是提升一次軌跡預測的準確率。它更關鍵的貢獻在于：將長程導航從「路徑生成問題」，推進為「持續執行問題」。
對NavBrain而言，這意味著導航能力不再停留在「知道目的地在哪里」，而是進一步具備在復雜、連續、不斷變化的真實環境中，把一條路線持續走下去的能力。
附論文原文鏈接：
https://arxiv.org/pdf/2607.11638v1
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
