技术摘要：Qwen-RobotNav

问题陈述

具身导航涵盖了多样化的任务家族——包括指令遵循、点目标导航、物体搜索、目标追踪和自动驾驶。虽然近期的统一导航模型已经证明单个架构可以处理多个任务族，但它们未能解决智能体导航系统的一个关键需求：即一种可以在推理阶段进行外部重构的观测策略。

不同的导航任务需要截然不同的时序上下文和记忆策略。例如，指令遵循需要保留跨越数十个先前步骤的观测，以重新引用远处的地标；而目标追踪则几乎完全依赖于最近的帧，将过时的历史视为噪声。物体搜索进一步使情况复杂化，因为它在单个回合内会发生需求转变（从探索阶段的广泛全局记忆转向接近阶段的紧凑近期关注）。现有的统一模型（如 NavFoM、ABot-N0）嵌入了关于哪些观测重要的单一固定假设（例如均匀子采样或滑动窗口），这使得它们无法在中途适应任务，也无法作为高级规划器的灵活构建模块。

方法论

作者引入了 Qwen-RobotNav，这是一个基于 Qwen3-VL 主干网络的可扩展导航模型。作者并未设计特定任务的架构，而是将挑战重新定义为观测上下文建模。其核心创新是一个参数化接口，允许外部智能体动态配置模型如何消费视觉流，而无需修改架构或进行特定任务的重新训练。

1. 架构与接口

Qwen-RobotNav 继承了 Qwen3-VL 的视觉编码器和语言主干，并辅以一个轻量级的 4 层 MLP 动作头，用于预测 8 路径点轨迹 $(x, y, \theta)$。该模型暴露了两个互补的配置维度：

• 任务模式： 模型支持多种模式（VLN、PointNav、ObjNav、Tracking），可通过自然语言提示进行选择。这些并非独立的策略，而是同一套模型权重的不同接口。
• 可控观测参数： 模型接受一个配置 $\Phi = (B, \gamma, \{w_c\}, m, b_{min}, b_{max})$ 来管理视觉 Token 分配：
  • Token 预算 ($B$)： 所有摄像头和时间步的总视觉 Token 数。
  • 时间衰减 ($\gamma$)： 控制近期偏好，使近期帧比旧帧具有更高的权重。
  • 摄像头权重 ($w_c$)： 每个摄像头的重要性乘数（例如，前置摄像头的权重高于后置）。
  • 帧采样 ($m$)： 随机采样（全局覆盖）或最新采样（近期窗口）。

2. 任务自适应观测编码

该模型采用了一种受限 Token 分配算法。给定预算 $B$，它根据联合权重矩阵 $W[t, c] = \omega_t \cdot w_c$ 将 Token 分配到 $T'$ 帧和 $N$ 个摄像头中。该算法确保每张图像都有一个最小底线 ($b_{min}$) 和最大上限 ($b_{max}$)，并迭代地重新分配剩余的 Token。这使得模型能够根据任务需求动态调整分辨率和上下文长度（例如，在追踪任务中提高近期帧的分辨率，或在探索阶段扩大覆盖范围）。

3. 训练策略

• 数据规模： 模型在 15.6M 个样本上进行训练，其中 85% 为导航轨迹规划数据（涵盖指令遵循、点目标、物体目标、追踪和自动驾驶），15% 为导航相关的视觉-语言推理数据。
• 训练时随机化： 一个关键的设计原则是，在训练期间没有任何观测配置是固定的。超参数（$B, \gamma, w_c$ 等）在每个样本中都是独立随机化的。这确保了模型能够泛化到任何推理时的配置，而无需进行特定任务的微调。
• 协同训练： 通过协同训练视觉-语言推理数据，防止模型“坍缩”为反应式的动作序列映射器，从而保留其开放世界感知和空间推理能力。
• 具身感知： 通过自然语言提示前缀（例如，“想象你是一个机器人……”）来区分不同的物理平台（机器人 vs 汽车），实现零架构变更。

4. 智能体导航系统

Qwen-RobotNav 被设计为层次化智能系统中的反应式执行器。高层规划器（如 Qwen3.6-Plus）将长程目标分解为子任务，并在回合中动态切换 Qwen-RobotNav 的任务模式和上下文策略。该系统维护着两级记忆：一个紧凑的单回合摘要，以及一个用于长程推理的持久性跨回合“证据笔记本”。

核心贡献

1. 参数化导航接口： 一个统一的模型，允许在推理时重新配置观测策略（Token 预算、时间衰减、摄像头权重），从而使单个模型能够服务于多样化任务和动态子目标。
2. 训练时随机化： 一种训练机制，使模型接触到广泛的上下文配置组合空间，确保其对任何推理时设置具有鲁棒的零样本泛化能力，且无需微调。
3. 智能体构建模块： 展示了导航基础模型如何作为一个模块化、可重构的基元，通过动态任务切换来实现复杂的长程任务（如具身问答 EQA）。
4. 可扩展的多任务学习： 在五个不同任务族（包括自动驾驶）上的联合训练，开发了一个共享的空间规划底层结构，该结构可在不同任务族和具身形态之间进行迁移。

实验结果

Qwen-RobotNav 在各类基准测试中达到了 SOTA 或极具竞争力的结果：

• 视觉与语言导航 (VLN-CE)：
  • RxR Val-Unseen： 成功率 (SR) 为 76.5%，nDTW 为 72.5（8B 模型），超过 NavFoM 12.1% 的 SR。
  • R2R Val-Unseen： 72.1% SR（8B 模型），超过 NavFoM 10.4% 的 SR。
  • VLNVerse： 在细粒度拆分上为 63.75% SR，在粗粒度拆分上为 46.59% SR，显著优于 NavFoM 和 Uni-NaVid。
• 物体目标导航 (Object-Goal Navigation)：
  • HM3D v2： 75.6% SR（4B 模型），尽管仅使用 RGB 观测（无深度），仍建立了该基准的新 SOTA。
  • HM3D-OVON： 在 Seen 拆分上为 57.7% SR，在 Synonyms 上为 60.1% SR，尽管仅使用单个前向摄像头，性能仍优于使用全景输入的 ABot-N0。
• 主动视觉追踪 (EVT-Bench)：
  • 实现了最高的追踪率 (90.0% TR)，超越了 ABot-N0 (87.6%) 和 TrackVLA++ (81.0%)。
• 自动驾驶 (NAVSIM)：
  • 取得了 91.4 PDMS (4B 模型) 和 90.9 PDMS (8B 模型) 的成绩，优于 NavFoM、AutoVLA 及其他专门的驾驶模型。
• 具身问答 (EQA)：
  • 基于 Qwen-RobotNav 构建的智能体系统在 HM-EQA (76.7 SR)、MT-HM3D (54.4 SR) 和 EXPRESS-Bench (79.27 LLM Score) 上创下了新的 SOTA，相比之前的最佳方法分别提升了 10.8% 和 15.4%，同时减少了 77% 的导航步数。
• 真实世界部署：
  • 在 Unitree Go2 四足机器人在真实展厅中的零样本迁移演示中，成功执行了复杂的语言指令（如“向后走”、“停在沙发旁”）和长程智能体任务（如寻找特定物体并报告观察结果）。

意义与主张

论文声称 Qwen-RobotNav 代表了从设计固定导航策略向创建可重构导航基元的转变。通过将观测上下文视为一个一等公民且可外部控制的自由度，该模型弥合了专业化任务性能与智能体系统所需的灵活性之间的鸿沟。

作者强调，参数化接口使得复杂的长程行为能够从简单、定义明确的工作模式（例如，从用于探索的“全局历史模式”切换到用于局部操纵的“近期聚焦模式”）的组合中涌现。此外，利用自然语言进行视角和时间识别，在不增加架构开销的情况下，保留了模型的开放世界语言接地能力。

结果验证了，通过随机化上下文策略训练的统一模型，可以在指令遵循、物体搜索、追踪和驾驶方面实现卓越的性能，同时作为通用具身智能体的鲁棒、零样本可迁移组件。这项工作表明，任务自适应观测编码是构建既具备广泛能力又具备实际部署价值的导航基础模型的有力方向。