📰 AI 资讯

DA-Nav实现机器人“偏航自纠偏”：找回路线成功率达98%

2026-07-17 21:24

商业地图可以告诉机器人“前方右转”，却无法直接告诉它眼前应该从哪里转、沿哪一侧通过；即使已经生成路线，控制误差、地面变化和动态障碍，也可能让机器人在行进过程中逐渐偏离。 从系统角度看，这意味着“路径被规划出来”并不等价于“路径可以被执行”。 这正是长程导航从“规划正确路线”走向“真实闭环执行”时面临的核心问题。 针对这一问题，星源智提出 DA-Nav，一套面向城市级长程场景的方向感知视觉语言导航框架。DA-Nav 将商业导航指令、第一视角空间理解和偏航恢复统一到同一条决策链路中，使机器人不仅能够理解“往哪里走”，还能够判断“当前是否走偏”，并在偏差发生后主动回到正确路线。 这一设计的核心变化在于：导航系统开始具备“执行过程中的自我校正能力”。DA-Nav 架构图 <h2 data-type="heading" data-id="heading0">突破指令与动作鸿沟，把“前方右转”落到眼前</h2>对于人类来说，“前方右转”是一条足够清楚的指令。人可以结合路口结构、当前朝向和道路形态，自然判断下一步应该从哪里经过。但这一认知过程，本质上依赖人类对三维空间的完整理解，而不是语言本身。 所以，对机器人而言，这类面向人类认知设计的方向指令仍然过于抽象，不能直接转化为局部轨迹。 DA-Nav 没有让视觉语言模型直接预测连续三维坐标，而是将机器人第一视角中的道路空间划分为候选区域，让模型先在画面中判断接下来应该经过哪些位置，再由控制模块将这些空间落点转化为可执行轨迹。 这一机制的关键意义在于：语言指令第一次被稳定映射到“空间决策点”，而不是抽象语义。 DA-Nav 空间落点机制简单来说，模型不再凭空“画出一条路”，而是在自己看到的场景中连续指出：下一步走这里，再走这里。这一变化将视觉语言模型的“理解能力”转化为“空间执行能力”。 DA-Nav 空间落点机制 在此基础上，DA-Nav 进一步将导航决策组织为：状态判断—动作选择—轨迹预测。 机器人首先判断当前是否偏离路线，再决定继续前进、转弯或进行方向修正，最后生成局部空间目标。这一结构使导航从“直接响应指令”，转向“持续状态判断驱动”。对 NavBrain 而言，这建立了从长程方向理解到局部行动执行之间更清晰、更稳定的决策链路。 <h2 data-type="heading" data-id="heading1">结构化决策，让导航从直接预测走向先判断、再行动</h2>长距离导航中，偏航不是偶发异常，而是持续执行中的常态。换句话说，偏航不是错误，而是系统运行过程中的必然状态。 地面打滑、控制误差、动态障碍和视觉波动，都可能让机器人逐渐离开原定路线。但传统导航数据通常以专家正确轨迹为主，模型学习的是“理想情况下应该怎么走”，却很少真正经历偏航与恢复过程。这类模型可以沿正确路线前进，却未必知道自己何时已经走偏，更不知道应该如何重新回到路线。 为此，DA-Nav 构建了 ReDA 恢复感知导航数据集，通过受控扰动主动制造偏航状态，并记录相应的专家恢复行为。 模型由此不仅学习如何走对，也系统学习三个问题：什么时候已经偏航、应该向哪一侧修正，以及如何重新回到正确路线。这使导航学习从“单一正确轨迹学习”，扩展为“包含错误状态的完整经验学习”。真实路口基础动作对比 ReDA 共包含约 28.6 万条时序样本，其中约 12.8 万条为恢复数据。大规模恢复样本让模型在训练阶段接触大量非理想状态，并建立偏航判断与纠正动作之间的稳定关联。从实验结果看，这一设计补齐了长程导航中“错误经验缺失”的问题。 完整模型的纠正成功率高达 98.15%；去除恢复数据后，这一指标骤降至 15.46%，导航成功率也由 59.00%下降至 29.71%。这组差异意味着，纠偏并不是模型在执行过程中自然获得的附加能力。 只学习正确路线，机器人可能能够走一段；只有把错误状态和恢复过程明确纳入训练，机器人才能在偏航后真正找回方向。DA-Nav 因此补齐了长程导航中长期被忽视的一环：不只训练机器人怎样走对，也训练它走错后怎样回来。 <h2 data-type="heading" data-id="heading2">98.15%纠正成功率，提升 NavBrain 长程闭环上限</h2>在覆盖已见和未见城市场景的长程闭环评测中，DA-Nav 取得 59.00%的导航成功率、77.82%的路线完成率和 98.15%的纠正成功率。这一组结果的关键意义，并不在于整体成功率，而在于“纠偏能力接近稳定可靠”。DA-Nav 跨城泛化与压力测试 其中，98.15%的纠正成功率最能体现这项研究的价值。 如果把长程导航比作沿着一条细线行走，传统方法更擅长在没有干扰时沿线向前；DA-Nav 则进一步具备在偏离细线后主动靠回来的能力。这意味着系统不只是“能走对”，而是“能在走偏后恢复正确路径”。 对长程任务而言，每一次成功纠偏，阻止的都不只是一次局部错误，而是误差在后续过程中的持续累积。机器人不会因为一次偏移彻底离开路线，而能够在行进过程中不断判断、不断修正。 这种能力，也让 DA-Nav 具备更强的跨场景和跨本体迁移价值。 同一高层导航策略在没有使用真实世界数据进行微调的情况下，被部署到四足机器人和人形机器人，并完成超过 1200 米的真实环境导航验证。这说明系统学习到的不是“某条路径”，而是一种可迁移的导航决策能力。 <h2 data-type="heading" data-id="heading3">从单点决策到长程闭环，DA-Nav 升级 NavBrain 导航能力</h2>在 NavBrain 的能力链路中，DA-Nav 承担的是长程方向理解、局部目标生成与主动纠偏。它的作用不是替代规划模块，而是让规划结果能够在执行过程中持续成立。 它接收地图提供的全局方向，结合机器人第一视角判断下一步应该经过的位置，并在执行偏差发生后主动恢复。由此，NavBrain 形成一条更加完整的闭环：理解方向—生成目标—执行轨迹—判断偏差—主动修正。 DA-Nav 的研究价值，不只是将“前方右转”转化成一个局部空间落点，也不只是提升一次轨迹预测的准确率。它更关键的贡献在于：将长程导航从“路径生成问题”，推进为“持续执行问题”。 对 NavBrain 而言，这意味着导航能力不再停留在“知道目的地在哪里”，而是进一步具备在复杂、连续、不断变化的真实环境中，把一条路线持续走下去的能力。 附论文原文链接：<a href="https://arxiv.org/pdf/2607.11638v1" title data-type="link">https://arxiv.org/pdf/2607.11638v1</a>

🔗 查看原文 ↗

← 返回资讯列表