v0 · 完整正文
研究综述
研究边界
本文讨论的是 2025 年 7 月 14 日至 2026 年 7 月 14 日公开文献中的具身感知与导航，不把图像分类、离线定位或单一仿真榜单的高分直接等同于机器人能力。这里的“解决”至少包含五个条件：在闭环中连续工作，能迁移到未见环境，面对遮挡、动态主体和物理扰动仍可靠，失败后能够发现并恢复，并且在真实硬件上满足延迟与安全约束。
本次范围研究覆盖 511 篇候选论文，恢复 39 篇全文，并对其中 15 篇代表性论文做了逐段核验。它足以判断主要失败机制和能力边界，但不能证明所有机器人形态、所有传感器配置或所有导航任务都具有同一结论。
中心判断
感知和导航都没有作为“开放世界通用能力”被解决；被显著推进的是若干有明确边界的子问题。静态或弱动态环境中的语义识别、地图辅助定位、短程目标导航和受控条件下的主动观测，已经从“能否做到”转向“如何提高效率”。但一旦任务要求长期运行、跨视角记忆、动态交互、真实碰撞约束和异常恢复，性能仍会系统性退化。更准确的说法是：感知与导航的局部模块正在成熟，闭环可靠性尚未闭合。
一、为什么会出现“已经解决”的印象
过去一年有三类进展非常醒目。第一，视觉语言模型把开放词汇语义直接带入导航，使机器人不再完全依赖封闭类别表。第二，三维场景图、拓扑先验和动态语义图改善了长程搜索与重规划。第三，主动感知和端侧蒸馏开始处理固定视角与推理延迟问题。MSGNav 展示了多模态三维场景图对零样本导航的价值，CausalNav 把动态语义图用于真实户外长距离导航，LocalNav 则说明前沿模型能力可以被压缩到端侧运行。
这些结果是真进步，却容易造成统计口径错位：论文通常回答“某个方法在给定任务上是否优于基线”，而“问题是否解决”要求回答“系统在未见、动态、长时、受物理约束的环境里是否仍然可靠”。前者的正结果并不能自动推出后者。
二、感知的剩余问题不是再提高一次识别精度
具身感知与静态视觉最大的不同，是观测由动作产生。机器人当前看不到什么、下一步去哪里看、错误观测如何进入记忆，都会改变后续决策。因此，感知是否解决不能只看单帧准确率。
主动观测确实可以修复一部分固定视角缺陷。ActiveVLA 通过主动感知改善精细三维操作，OA-NBV 让移动机器人选择能绕开人体遮挡的下一视点。但两篇论文都保留了清晰边界：前者在最难的组合泛化任务上仍明显退化，后者解决的是单步视点选择，而非持续多视图融合。这说明“会移动相机”是必要能力，还不是稳定世界状态估计。
更关键的是，感知误差会形成有结构的污染。Rethinking Embodied Navigation via Relational Inductive Bias 指出，开放词汇感知的视觉相似性误检、难以撤销的静态先验和缺少行动验证，会持续污染地图与导航决策。VLM-LLM Navigation Bottlenecks 进一步显示，独立感知精度提高会出现边际饱和，而误检和目标框形变仍能主导失败。由此可见，真正缺失的是带不确定性的时序融合、证据撤销和主动验证，而不只是更大的视觉主干。
社会导航把这一问题放得更大。Ratatouille 的专家能利用微妙的人体姿态和意图线索，机器人却主要看到位置并承受感知延迟。这里的障碍不是“看见一个人”，而是及时估计对方将如何运动，并把这种估计安全地写入动作决策。
三、导航的剩余问题是从路线生成到物理闭环的落差
近年的语言导航系统已经能生成看起来合理的高层路线，但合理路线并不保证可执行。VLNVerse 给出了很直接的对照：思维链提示能改善放松碰撞约束的传送式设置，到了严格物理条件下性能仍然很低，碰撞成为主要瓶颈。这不是语言推理完全无效，而是高层语义正确没有覆盖局部几何、动力学和控制误差。
这种落差在开放世界基准上更明显。UAV-ON 中所有受测方法的碰撞率都超过 30%，远高于真实部署可接受水平。NaviTrace 则发现视觉语言模型与人类和近似预言机基线仍有显著差距，目标定位是主导失败模式；即使给出正确目标，路径塑形也仍落后于人类。导航尚未解决的不是某一个规划算法，而是目标定位、局部避障、动作后果预测和路径执行的联合误差。
连续任务还揭示了更深的认知缺口。城市空域导航基准显示，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，而不是单一视觉分类错误。HaltNav 的真实测试也表明，系统需要显式异常检测、轻量结构先验和重规划；缺少这些机制的基线在目标式指令和临时阻塞下会出现灾难性退化。
四、感知与导航不能被分开宣告“解决”
感知和导航构成一个反馈环：感知形成状态，状态驱动动作，动作决定下一次观测。误检会把错误对象写进地图，错误地图会引导重复探索；不良视角会导致目标定位失败，错误动作又可能使目标永远离开视野。因而，离线感知分数和规划成功率只描述了环中的两个截面。
近一年文献中也出现了缩小这一落差的路线。ReaDy-Go 用真实到仿真的动态场景支持特定环境迁移，CausalNav 强调长时动态语义建模，HaltNav 把异常检测与重规划纳入系统。但它们各自仍受训练环境数量、极端光照天气、长时一致性或动态主体多样性限制。这些工作更像“把闭环补齐”的证据，而不是“闭环已经补齐”的证据。
条件、分歧与可证伪边界
“尚未解决”不应被理解为所有子任务都不成熟。在以下条件同时成立时，可以把导航看作工程上接近可用：环境静态或低动态、地图或拓扑先验可靠、目标类别明确、视角与光照变化有限、速度较低、任务时长较短，并允许人工初始化或失败重启。仓储巡检、固定园区配送和结构化室内搜索中的一部分任务已经接近这一状态。
结论会被两类未来证据推翻。第一，系统在未见真实环境中持续运行数十小时，面对遮挡、移动障碍、照明和传感器扰动仍保持低碰撞、低近失事件和稳定到达率。第二，系统能在错误地图、目标误检和临时阻塞后自主诊断、撤销错误证据并恢复任务，而且不依赖隐藏的人类干预。若这些结果能被跨平台复现，就可以开始讨论“问题已基本解决”。
当前证据还存在一个评价层缺口。Robot Policy Evaluation for Sim-to-Real Transfer 指出，标准化且可扩展的仿真到真实基准仍然不足。因此，不同论文间的成功率并不能直接横向拼接，更不能从一次真实演示推导长期可靠性。
可操作的研究与评测框架
| 层级 | 不应只看 | 更有判别力的指标 |
|---|---|---|
| 感知 | 单帧检测精度 | 遮挡后重识别、跨视角一致性、错误证据撤销、时延下状态有效性 |
| 导航 | 单次成功率 | 碰撞与近失事件、路径执行误差、恢复成功率、无人工干预时长 |
| 系统 | 仿真排行榜 | 未见真实环境迁移、极端条件退化曲线、平均故障间隔、跨平台复现 |
研究设计上，应优先记录“第一处可证伪偏离点”：目标是否实际可见，状态是否被正确写入记忆，计划是否使用了正确状态，动作是否可执行，控制器是否实现了动作。这样才能判断失败来自感知、记忆、推理、规划还是控制，避免把所有问题都归因于视觉模型。
研究空白与下一步
第一，需要从短回合成功率转向长期可靠性。多数论文仍缺少小时级连续运行、累计地图漂移和故障恢复统计。第二，需要把动态环境中的人类意图、物体运动和传感延迟统一纳入状态估计，而不是把动态主体当作瞬时障碍物。第三，需要建立跨仿真、真实环境和不同机器人形态的统一压力测试，公开近失事件、人工接管和失败重试。第四，需要评估“错误如何被发现与撤销”，因为开放词汇感知带来的系统性误导比随机噪声更危险。
结论
近一年文献不支持“具身感知和导航已经解决”的笼统说法。它支持的是一个更精确也更有用的判断：受控条件下的语义感知、地图组织和短程导航正在快速工程化；开放世界中的主动感知、物理安全、长期记忆、动态交互与失败恢复仍是核心研究问题。下一阶段的胜负不只取决于模型能否找到目标，而取决于机器人能否知道自己何时看错、走错，并在真实世界中安全地改正。
References
- MSGNav: Unleashing the Power of Multi-modal 3D Scene Graph for Zero-Shot Embodied Navigation
- ActiveVLA: Injecting Active Perception into Vision-Language-Action Models for Precise 3D Robotic Manipulation
- OA-NBV: Occlusion-Aware Next-Best-View Planning for Human-Centered Active Perception on Mobile Robots
- 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