v0 · 完整正文
研究综述
研究边界
本文考察 2025 年 7 月 14 日至 2026 年 7 月 14 日的具身导航文献，覆盖目标导航、视觉语言导航、开放世界航空导航、社会导航、动态户外导航、真实—仿真迁移、异常停止与重规划。感知在这里被视为导航链条的输入之一，而不是被单独评价；本文关心的是系统能否把目标理解、定位、地图与记忆、规划、局部控制和失败恢复组合成持续有效的闭环。
“有效解决”至少要求：在未见环境中正确落地目标；在物理动作与碰撞约束下执行；面对动态主体和环境变化持续更新计划；在阻塞、误定位或地图失效后自主恢复；满足真实部署的延迟、安全和长期一致性要求。本次选取 15 篇具有全文定位证据的代表论文，既包括方法进步，也包括负面基准和作者声明的限制。
中心判断
具身导航没有作为开放世界通用能力得到有效解决；接近解决的是边界清晰的局部导航问题。 在静态或弱动态环境、可靠地图或拓扑先验、低速短时任务和可容忍重启的条件下，定位、全局路径搜索和基本避障已较成熟。未闭合的部分集中在语言目标如何稳定落到三维空间、路线如何转化为无碰撞动作、动态世界如何持续建模，以及失败后如何识别原因并恢复。导航前沿已从“能否走到”转向“能否长期、安全、可恢复地走到”。
一、目标理解与空间行动之间仍有显著缺口
视觉语言模型能理解“去有红色沙发的房间”之类指令，但语义理解不自动产生可执行空间目标。NaviTrace 发现，当前视觉语言模型与人类及近似预言机基线之间仍有明显差距，目标定位是主导失败模式；即使给出正确目标，路径塑形也仍落后。
城市空域连续导航基准把这个差距进一步分解。How Far Are Large Multimodal Models from Human-Level Spatial Action? 显示，模型在关键决策分叉处的失败横跨几何理解、跨视角对应、动作后果想象和长期记忆。这意味着导航不足不能都归因于“没有看清目标”，它还包括对未来状态和连续动作结果的判断。
过去一年出现了更强的三维场景组织方法。MSGNav 证明多模态三维场景图可以推进零样本导航，但作者仍指出视觉基础模型与语言模型的推理延迟妨碍实时部署，最后一公里只被缓解而未完全解决。LocalNav 通过端侧蒸馏降低推理延迟，却仍受场景图难以表达瞬态组合语义的限制。语义地图更强了，但语义、时间和执行仍未完全统一。
二、高层路线正确不等于物理执行成功
导航论文经常在传送式动作、离散动作或弱碰撞约束中评测，这些设置可以隔离高层决策，却也会隐藏物理执行的困难。VLNVerse 给出关键对照：思维链提示能够改善放松碰撞约束的设置，但在严格物理条件下性能仍低，碰撞成为主要瓶颈。
UAV-ON 的开放世界航空目标导航结论更严厉：所有受测方法的碰撞率都超过 30%，语义探索还没有转化为真实部署可接受的安全控制。这类结果说明，成功率提升可能来自更好的目标搜索，却没有同时解决局部几何、动力学、动作延迟和控制误差。
因此，导航不能只用“是否找到目标”验收。一个系统可以生成正确全局路线，却在门口、窄通道、最后转弯或动态障碍物附近失败。导航是否有效，必须同时看碰撞、近失事件、局部停滞、路径执行误差和人工接管。
三、动态和社会环境要求预测，而不只是避障
静态地图假设在真实环境中很快失效。物体被移动、道路临时封闭、光照和天气变化都会使历史状态不再可靠。CausalNav 以动态语义图推进真实户外长距离导航，同时仍把系统扩展性、极端光照天气和长时一致性列为限制。
Path Planning in Physically Viable World Models 从规划层提出更明确的问题：历史重建的地图可能在物理条件变化后失效，系统需要对未来状态进行条件推演，而不能只在旧地图上求最短路。这说明导航的地图应是可更新、可反事实验证的信念，而不是一次构建后永久正确的资产。
社会导航比普通动态避障更难，因为人不是匀速运动的障碍物。Ratatouille 指出，专家能利用微妙的人体状态和意图线索，机器人却主要看到位置并受到感知延迟影响。安全导航不仅要预测人在哪里，还要判断对方是否准备转身、让路或改变方向。
ReaDy-Go 利用环境特定的真实—仿真动态场景训练视觉导航，为移动障碍提供了实用途径；但作者仍要求扩大训练环境并引入安全学习，以覆盖更密集、多样和激进的主体。环境特定适配有效，不等于动态导航已经泛化。
四、可靠导航依赖异常检测、证据撤销和恢复
导航失败常常不是“完全不知道往哪走”，而是系统没有及时发现计划已失效。HaltNav 将异常检测、轻量拓扑先验和重规划结合起来，真实测试显示缺少这些机制的基线在目标式指令或临时阻塞下会出现灾难性退化。这证明恢复机制能显著提高鲁棒性，也说明普通前进策略本身并不可靠。
感知误差还可能长时间污染导航。Rethinking Embodied Navigation via Relational Inductive Bias 指出，开放词汇误检、难以撤销的静态先验和缺少行动验证会不断污染地图与决策。VLM-LLM Navigation Bottlenecks 则显示，感知独立精度出现边际饱和后，误检与目标框形变仍是关键失败源。导航系统必须管理证据的可信度，而不是把每次检测永久写入地图。
OA-NBV 说明主动选择视点可以绕开遮挡，但能力主要限于单步视点选择。对于完整导航，主动观察还需与全局任务价值、时间成本和恢复策略联合决定。单次补观测是工具，长期自校正才是系统能力。
五、当前评测不足以支持“问题已解决”
仿真适合可重复对比，但导航中的接触、传感延迟、控制误差和动态主体很难完全复现。Robot Policy Evaluation for Sim-to-Real Transfer 把缺少标准化、可扩展的仿真到真实评测视为关键瓶颈。不同模拟器中的成功率不能直接拼接，更不能自动预测真实部署排序。
一次实机演示也不足以证明可靠性。有效解决应要求长时间连续运行，公开失败、重试、人工接管和地图重置，而不只是展示成功片段。当前多数论文的证据仍以短回合基准、有限真实环境和作者自建任务为主。
条件、分歧与可证伪边界
在结构化室内、固定园区、低速移动、可靠定位、已知地图或稳定拓扑先验、动态主体稀少的条件下，可以认为导航的基础工程链路已经接近成熟。自动导引车、仓储搬运、固定路线巡检和受控配送属于这一范围。
结论不能外推到未知建筑、开放道路、拥挤人群、恶劣天气、高速航空平台和长时间无人值守。若未来系统能在多个未见真实环境中持续运行数十小时，保持低碰撞与低近失事件，遇到误检、道路封闭和动态主体后自主诊断并恢复，且结果可跨平台复现，那么“通用导航已基本解决”才具有可证伪的实质含义。
可操作的导航验收框架
| 层级 | 核心问题 | 建议指标 |
|---|---|---|
| 目标落地 | 语言或图像目标是否定位到正确三维区域 | 目标定位误差、错误目标承诺率、再定位成功率 |
| 地图与记忆 | 状态是否随环境变化更新 | 地图污染率、错误证据撤销、长时漂移 |
| 规划 | 路线是否考虑动作后果和未来变化 | 动态重规划成功率、路径可行性、停滞率 |
| 执行与安全 | 路线能否被真实本体完成 | 碰撞、近失、局部控制误差、急停 |
| 恢复 | 系统能否识别并修复失败 | 恢复成功率、恢复耗时、重试和人工接管 |
| 泛化 | 仿真成绩是否转化为真实可靠性 | 未见环境表现、sim-real 排序、连续运行小时 |
研究空白与下一步
第一，需要把平均成功率改造成风险敏感评测，单独报告碰撞、近失、卡死与人工干预。第二，需要可更新的时空地图与反事实规划，处理道路和物体状态变化。第三，社会导航应从位置外推升级为意图与交互建模，并对感知延迟做显式预算。第四，需要跨模拟器、跨机器人、跨真实场景的统一长期基准，才能判断方法进步是否具有部署意义。
结论
近一年文献不支持“具身导航已经有效解决”的总体判断。可靠地图和受控环境中的基本定位、路径搜索与避障已相当成熟；目标空间落地、严格物理执行、动态与社会预测、长时一致性、异常恢复和真实评测仍是核心缺口。导航真正被解决的标志，不是系统偶尔能到终点，而是它能持续知道自己在哪里、道路是否仍可走、计划何时失效，并在不碰撞的前提下重新找到办法。
References
- MSGNav
- OA-NBV
- Exploring Bottlenecks in VLM-LLM Navigation
- How Far Are Large Multimodal Models from Human-Level Spatial Action?
- Robot Policy Evaluation for Sim-to-Real Transfer
- VLNVerse
- CausalNav
- Ratatouille
- NaviTrace
- ReaDy-Go
- HaltNav
- Rethinking Embodied Navigation via Relational Inductive Bias
- LocalNav
- UAV-ON
- Path Planning in Physically Viable World Models