（来源：科技行者）
2026年的某一天,一台Unitree G1人形机器人走进了加州大学伯克利分校的一间办公室。它接到的指令很日常："向前穿过开放的休息区，路过左边的花坛和长椅，右边的沙发和桌子。走到右边的沙发处向右转……最后停在右边的柜子旁边。"
这条指令要走30米，中间要转好几个弯，穿过好几个区域。机器人出发了，一路上没有人遥控，全靠自己"看"和"走"。它侧身挤过一条窄道，蹲下钻过一个悬空的障碍物，抬脚跨过地上的杂物，最终稳稳停在目标位置。
整个过程,这台机器人从没在真实世界里训练过一步。它所有的经验，全部来自电脑里的模拟仿真。
这就是本文要讲的研究：TANGO，一套让人形机器人在杂乱室内环境里，靠自然语言指令自主导航的系统。它的特别之处不在于"能听懂话去走路"，这事儿很多机器人都能做，特别之处在于它真正解决了一个长期被忽略的问题：机器人的身体，到底该怎么根据周围环境实时调整姿态。
导航这件事，为什么对人形机器人特别难
先说一个可能颠覆你直觉的事实：市面上大多数所谓"视觉语言导航"系统，其实完全不管机器人的身体长什么样。
它们的工作方式是这样的：摄像头拍下画面，模型分析一下"我该往哪走"，然后输出一个二维坐标点，或者"前进""左转"这样的离散指令。这套逻辑对轮式机器人、扫地机器人非常好用，因为轮式底盘的形状是固定的，只要平面上没有障碍物，它就能过去。
但人形机器人不是这样。
人形机器人的身体形态在移动过程中是持续变化的，胳膊会摆动，躯干会前倾后仰，腿部姿态随着步态不断切换。这意味着一条在平面地图上看起来完全畅通的路径，实际执行起来可能因为机器人此刻的手臂位置、身体倾斜角度而撞上什么东西。
这就好比你让一个不了解房间布局的人，只拿着一张地面平面图去搬家具穿过房间。地图上显示地面没有障碍，他大步走过去，结果脑袋撞上了低垂的吊灯，或者肩膀刮到了斜挂的画框。地面干净不代表整个三维空间都干净。如果导航系统只在平面上做规划，完全不考虑身体在三维空间里的占用情况，那么"路径可行"和"机器人能走过去"根本就是两码事，差的就是这个维度的信息。
论文里管这个叫做"具身鸿沟"
具身鸿沟：指的是导航决策层面看起来完全合理的动作，在真实物理身体执行时却可能行不通的差距，因为规划时没有考虑身体的实际几何形状。
这个鸿沟不是理论问题，是实打实会撞车的问题。传统视觉语言导航方法，哪怕训练得再好，只要动作空间还是"往前走一米""左转30度"这种平面指令，就永远填不上这个坑。
在TANGO出现之前，业内其实已经有几条不同的技术路线在尝试解决类似问题，但各自都有明显的短板。一类是人形机器人的"全身控制"基础模型，比如GR00T-N1.6、Ψ0这些系统，它们能做出很复杂的上肢动作，但导航部分往往是"外包"给下层控制器处理的高层指令，模型本身并不直接参与"怎么绕开这个箱子"这种精细决策。另一类是专门研究人形机器人越障的强化学习方法，比如HumanoidPF，它们在特定场景里表现很好，能让机器人成功避开障碍物，但这类方法通常严重依赖训练时见过的场景分布，换个新环境或者要走很长的路，效果就会打折扣。
换句话说，市面上要么有"聪明的大脑"但"身体僵硬"，要么有"灵活的身体"但"脑子跟不上语言指令和长距离规划"。TANGO想做的，就是把这两件事拧到一起。
TANGO怎么解决这个问题：直接预测全身动作
TANGO的核心设计思路其实很直白：既然平面动作空间不够用，那就别用平面动作空间了，直接让模型预测机器人全身29个自由度的关节角度。
29自由度：指的是人形机器人身体上可以独立转动或伸缩的关节数量，包括腿部、腰部、手臂、手腕等各个部位加起来一共29处可控关节。数字越大，机器人姿态可调整的精细程度越高。
模型接收到的输入是这样的：一段自然语言指令，加上前方摄像头和下方摄像头拍到的实时画面，以及机器人自身关节的当前状态。输出则是接下来一段时间内、一整串连续动作的关节角度序列，外加机器人躯干的旋转姿态。这个输出不再是"往哪个方向走"的抽象指令，而是"每个关节接下来该摆到什么角度"的具体执行方案。
这里就带出一个问题：训练这样一个模型，需要的数据和训练平面导航模型完全不是一个量级的。平面导航你录一段GPS轨迹就行，全身动作导航你得知道每一帧里手臂在哪、腰弯了多少度、脚踩在哪个位置。这种数据，现实世界里几乎不可能大规模采集，靠人工动作捕捉再重定向到机器人身上，成本高得吓人，而且经常因为人和机器人身体结构不一样出现"翻译失真"。
TANGO团队的解法是完全在仿真里造数据，造出来的这套流程他们叫PET，一个三步走的自动化管线。
Plan-Edit-Track（PET）：TANGO团队设计的自动化数据生成管线，分为规划、编辑、跟踪三个阶段，用来批量合成物理上可行、且带有全身避障动作的机器人训练轨迹，全程不需要人工采集真实动作数据。
第一步是规划
给定起点和终点，系统先用经典的A星算法在地图上找一条基础路径，这一步会给靠近障碍物的区域加一个软惩罚，让路径本能地往安全区域偏。碰到窄道的时候，系统会主动把身体朝向旋转90度，让机器人侧身通过，这样能通过的空间比正面走要宽松得多。找到路径之后，交给一个叫SONIC的动作跟踪模型，生成一段自然流畅的人形行走动作。
SONIC：一个在约800小时高质量动作捕捉数据上训练出来的运动跟踪模型，能把一串速度指令转化成自然的人形行走动作，同时能让机器人实时跟踪一段参考动作并保持物理稳定。
第二步是编辑，这是整个流程里最有意思的部分。规划阶段生成的动作虽然走得挺自然，但它其实"不知道"路上有障碍物，是纯粹按地图走的。编辑阶段要把这个"盲走"的动作，改造成真正会躲避障碍的全身动作。
具体做法借鉴了一个叫"人形势场"的思路，给机器人身上的关键部位，比如肩膀、肘部、手腕、躯干，施加一种模拟的排斥力，这个力会根据周围障碍物的距离场自动计算方向和大小，离障碍物越近，推开的力越大。这个力不是生硬地拿来强制改变动作，而是转化成一个柔性的位移目标，交给一个全身逆运动学求解器去权衡，既要满足这个避障要求，又不能破坏原有走路姿势的自然度和稳定性。
针对不同类型的障碍物，系统还做了专门的适配。碰到悬空障碍物需要低头弯腰的场景，系统提前几步就开始探测头顶空间，一旦发现快撞上了，会提前触发弯腰动作，而不是等脑袋快贴到障碍物才反应，这样动作看起来才自然连贯。碰到地面矮障碍需要跨步的场景，系统会重新规划抬脚落地的位置，让脚落在障碍物远端之外，同时调整摆动腿抬起的高度曲线，保证整个脚掌在跨越过程中都能安全越过障碍物顶部。
这个编辑过程让我想到一件生活里很常见的事：你走在自家熟悉的客厅里，闭着眼睛都能走个大概不撞墙,但如果客厅里临时多摆了一张茶几，你不会重新规划整条路线，而是身体会本能地微调，侧身让一让，或者迈大步跨过去，核心的走路节奏和步伐感觉完全不变。TANGO的编辑阶段做的就是这件事：保留原本自然的走路节奏和风格，只在真正遇到障碍的局部区域做精细调整。如果不这样设计，而是让模型每次遇到障碍物都重新规划一整套完全不同的动作，那生成出来的动作会显得生硬割裂，机器人走起来就会像被逐帧拼接出来的傀儡，而不是一个流畅的整体。
第三步是跟踪过滤，这一步的作用像质检员。前面编辑出来的动作是纯粹运动学层面的产物，理论上合理，但不一定符合物理规律，可能存在动作太快、蹲得太猛这种实际执行不了的情况。系统把这些编辑后的动作交给SONIC跟踪器，在仿真物理引擎里真实地跑一遍，如果跟踪失败或者发生了碰撞，这条轨迹就直接被丢弃。
这里有个反直觉的设计选择：过滤通过之后，训练用的监督信号用的不是跟踪器实际执行出来的那份轨迹，而是编辑阶段生成的原始参考动作。
为什么要这样绕一圈？因为跟踪器在执行过程中，为了保持物理稳定，往往会对动作做一些微小的妥协和平滑，这种妥协会让动作看起来稍微没那么"人味儿"。研究团队想要的是既物理可行、又保留人类自然运动质感的监督信号，所以跟踪器在这里只承担"验证是否可行"的角色，真正教给模型的还是那份更干净、更接近人类动作的参考轨迹。
整套PET流程跑下来，团队一共生成了64633条训练轨迹，覆盖了VLNVerse和SAGE-3D两个仿真数据集里挑选出来的578个室内场景。这个规模的数据，如果靠真人动作捕捉去采集，几乎是不可能完成的任务，而在仿真里，整个数据生成加渲染只花了211个GPU小时。
模型架构：三套系统各司其职
数据有了，接下来是模型本身怎么设计。TANGO采用了一种"三层系统"架构，这个思路不是TANGO首创，业内一些前沿工作比如Ψ0已经在用类似的分层设计，但TANGO把它具体落到了人形导航这个场景里。
三层系统架构：把整个决策链条拆分成三个不同响应速度的模块，慢速的负责理解语言和场景做高层判断，中速的负责生成具体动作序列，快速的负责把动作稳定执行到硬件上，三者配合工作而不是一个模型包打天下。
最上层负责视觉语言理解，用的是Qwen2.5VL-7B这个视觉语言大模型底座，并且用InternVLA-N1的权重做了热启动，这样模型一开始就带着一些导航相关的先验知识，不用从零学起。前方摄像头和下方摄像头的画面会被竖直拼接成一张图，再喂给模型。
考虑到长时间导航过程中历史画面会越积越多，直接全塞进去内存和算力都吃不消，团队用了一个叫BATS的采样机制，按照一个随时间递减的概率函数，对历史帧进行不均匀采样，离当前时刻越近的画面保留得越细致，越久远的画面采样得越粗略。这个设计其实很符合人的记忆习惯，你回忆五分钟前发生的事情能记得很清楚，回忆一小时前的事情大概只剩个模糊印象。
中间层是动作专家，用的是一个基于流匹配训练的多模态扩散Transformer，负责根据视觉语言层给出的语义理解，结合机器人当前的关节状态，预测接下来一段时间的全身动作序列。这里有个细节值得说一下，团队没有直接用绝对坐标系下的躯干朝向作为训练目标，而是把它转换成相对于动作序列第一帧的相对量，同时额外加了一组辅助的位移和转向增量信息。这种参数化方式让模型更容易学到稳定的回归目标，不会因为绝对坐标的巨大变化范围而训练困难。
为了让预测出来的动作序列在真实执行时衔接得顺滑，团队还用了一种叫RTC的训练技巧。
实时分块（RTC）：训练阶段让模型学会以一部分已经确定要执行的动作作为条件，去补全接下来还没确定的动作，这样模型学到的动作分块之间衔接自然，而不是每次推理都从零开始生成一段独立的动作，导致执行时出现卡顿或跳变。
最底层是执行层，也就是前面提到的SONIC跟踪器，它以200赫兹的频率运行，把动作专家给出的参考动作转化成实时的关节控制指令，并且能够处理跟踪过程中的实际扰动，保证机器人不会因为轻微的姿态偏差而摔倒。
这个三层架构的设计逻辑，其实很像一家餐厅的运作方式。主厨（视觉语言层）根据顾客的点单（语言指令）和厨房现状（视觉观察）决定要做什么菜、大致怎么摆盘，这个决策不需要每秒钟都重新想一遍，可以慢慢琢磨。传菜员（动作专家）拿到主厨的方案后，规划出具体端菜走哪条路、先上哪道菜，这个节奏比主厨稍快一些。而真正端着盘子在拥挤后厨里穿梭、随时躲避同事和障碍物的，是手脚利索的服务员（跟踪执行层），他们的反应速度必须是毫秒级的，不然盘子就摔了。如果让主厨亲自去端盘子穿梭厨房，效率会极其低下，因为深度思考和快速反应本来就是两种完全不同的能力，硬塞进同一套系统里，两头都做不好。
实验结果：数字说话
聊了这么多设计，效果到底怎么样？先看标准的视觉语言导航基准测试VLNVerse。
VLNVerse：一个基于IsaacSim构建的、具有照片级真实感室内场景的视觉语言导航评测基准，用来衡量导航模型在给定语言指令后能否准确抵达目标位置。
| 方法 | 是否有底层控制 | 已见场景成功率 | 已见场景SPL | 未见场景成功率 | 未见场景SPL |
| CMA | 否 | 37.35 | 33.36 | 31.15 | 27.92 |
| RDP | 否 | 47.28 | 41.69 | 48.60 | 42.72 |
| InternVLA-N1 | 否 | 51.56 | 34.37 | 45.56 | 34.98 |
| Uni-NaVid | 否 | 51.88 | 39.72 | 45.00 | 39.42 |
| TANGO | 是 | **54.69** | 40.18 | **52.89** | 40.18 |
这张表里有个特别值得注意的地方：除了TANGO，所有其他方法都是在"传送"设定下评测的，也就是说机器人不需要真的用身体走过去，模型给出个坐标点，系统直接把机器人瞬移过去，完全绕开了真实物理执行这一关。而TANGO是唯一一个真刀真枪跑完整个物理执行流程的方法，却依然拿到了最高的成功率和最低的导航误差。
这说明什么？说明在同样有物理约束、真实走路会撞墙会摔跤的条件下，TANGO的表现比那些"作弊式"跳过物理执行的方法还要好。SPL指标上TANGO没有明显领先，论文里给出的解释是底层跟踪器出于安全考虑，倾向于选择更保守但更安全的路径，牺牲了一部分路径效率去换取更高的成功率，这个权衡在实际部署里其实是合理的，谁也不想要一个走最短路但天天撞墙的机器人。
再看杂乱场景下的越障能力测试，这个测试专门加入了低矮障碍、悬空障碍、窄道这些真实生活中常见但传统导航很难处理的元素。
| 方法 | 导航误差 | 成功率 | SPL | 碰撞率 |
| InternVLA-N1零样本 | 5.34 | 26.67 | 11.92 | 19.03 |
| InternVLA-N1 + HumanoidPF | 4.04 | 41.88 | 29.49 | 15.81 |
| TANGO | **4.01** | **43.75** | **31.83** | **9.90** |
碰撞率这一项特别关键。TANGO把碰撞率压到了9.90%，而表现最接近的对手InternVLA-N1配合HumanoidPF跟踪器，碰撞率是15.81%。差了将近6个百分点，意味着每走100趟路，TANGO能少撞6次左右。更值得说的是，HumanoidPF这套对比方案还额外用了激光雷达做三维几何感知，而TANGO全程只靠两个RGB摄像头，没有深度信息，没有激光点云，纯靠视觉理解就做到了更低的碰撞率。
真实世界的测试同样给出了扎实的数字。团队在三种场景里各测了三个不同地点、每个地点五次试验，一共45次试验对比TANGO和微调后的InternVLA-N1加Unitree官方控制器。
| 场景 | InternVLA-N1成功率 | InternVLA-N1平均碰撞次数 | TANGO成功率 | TANGO平均碰撞次数 |
| 短距离2D环境 | 11/15 | 1.40 | **12/15** | **0.40** |
| 长距离2D环境 | 6/15 | 3.47 | **8/15** | **1.07** |
| 杂乱3D环境 | 6/15 | 1.93 | **10/15** | **0.73** |
杂乱环境这一栏差距最大，成功率从6/15提升到10/15，几乎翻倍，同时平均碰撞次数从接近2次降到不到1次。这个场景恰恰是最考验全身协调能力的，需要机器人根据具体指令做出跨步、侧身、蹲下这类真正意义上的全身动作，而不只是简单地往前走或转弯。
消融实验：拆开来看哪个部件最关键
研究团队还做了一系列拆解实验，看看去掉某个设计之后效果掉多少，这种实验对读者理解"每个设计到底值不值得"特别有帮助。
先看动作空间本身的价值。团队做了一个只预测平面轨迹的简化版模型，叫Ours-2D，用来对比全身动作预测和纯平面预测之间的差距。
| 方法 | 是否底层控制 | 成功率 | SPL |
| InternVLA-N1（有底层控制） | 是 | 42.37 | 22.50 |
| Ours-2D（有底层控制） | 是 | 26.67 | 8.34 |
| TANGO | 是 | **52.89** | **40.18** |
这组数据挺扎心的：Ours-2D在传送设定下表现和InternVLA-N1差不多，甚至略好一点，可一旦换成真实物理执行，成功率直接从45.74暴跌到26.67，SPL更是从35.44跌到8.34，几乎只剩零头。这说明单纯预测平面轨迹的方法，在没有物理约束的理想环境下看起来还不错，一旦真正上机器人跑，就会因为完全没考虑身体几何形状而频繁撞车摔跤。这也从反面印证了TANGO选择全身动作空间这个设计不是画蛇添足，而是解决真实问题的必需品。
再看RTC和运动编辑这两个组件各自的贡献。
| 方法 | 成功率 | SPL | 碰撞率 |
| 去掉RTC | 10.94 | 10.94 | 14.60 |
| 去掉运动编辑 | 36.25 | 30.36 | 20.60 |
| SONIC换成ScaleBFM | 40.94 | 29.65 | **9.10** |
| TANGO完整版 | **43.75** | **31.83** | 9.90 |
去掉RTC之后成功率从43.75暴跌到10.94，跌幅超过32个百分点，这是整个消融实验里降幅最大的一项。这说明动作分块之间的衔接问题如果处理不好，会让整套系统几乎失效，机器人可能在每次动作切换的瞬间出现卡顿或者姿态突变，进而导致跌倒或撞击。
去掉运动编辑，也就是不做障碍感知的姿态调整，成功率降到36.25，碰撞率从9.90升到20.60，翻了一倍还多。这直接证明了PET流程里那个"编辑"阶段不是可有可无的美化步骤，而是真正教会模型躲避障碍的核心环节。
把SONIC换成另一款通用跟踪器ScaleBFM之后，各项指标只是轻微下降，都在3个百分点以内。这说明TANGO这套动作生成框架不是绑死在某一个特定跟踪器上的，具备一定的可迁移性，换个底层执行系统依然能正常工作。
写在后面
读完这篇论文，一个让我反复琢磨的细节是"编辑阶段完成后，训练监督信号不用跟踪器执行出来的轨迹，而用编辑阶段的原始参考动作"这个选择。
这其实揭示了一个很少被讨论的矛盾：物理可行性和动作自然度，很多时候是有轻微冲突的。跟踪器为了保证不摔倒，会在执行时做出一些妥协，这些妥协单独看没问题，累积起来却会让动作显得不够"人"。TANGO团队没有偷懒地直接拿跟踪器输出当训练数据，而是专门设计了一套"验证但不采用"的流程，只用跟踪结果做筛选，真正的监督信号另取一份更干净的版本。这种对训练数据质量的较真程度，某种意义上比模型架构本身更能决定最终效果的上限。
另一个值得琢磨的地方是论文里提到的一个局限：整套系统目前只用RGB摄像头，没有深度信息，也没有激光雷达。作者自己也承认，在光线昏暗或者视觉上比较模糊的场景里，这可能会成为瓶颈。TANGO已经证明了纯视觉方案能做到比带激光雷达的对手更低的碰撞率，这本身已经是个不小的成绩，但如果加上深度感知，效果会提升多少，还是一个悬而未决的问题。
一台完全没在真实世界训练过的机器人，在陌生的办公室里走了30米，中间转弯、侧身、蹲下、跨越，全靠仿真里生成的想象经验。这件事本身，值得多想一会儿。
Q&A
Q1：TANGO是什么？
A：TANGO是加州大学伯克利分校等机构提出的首个全身视觉语言导航框架，能让人形机器人根据自然语言指令，直接预测29自由度的全身关节动作，在杂乱室内环境中自主完成侧身、下蹲、跨越等避障动作。
Q2：TANGO和普通的机器人导航方法有什么区别？
A：普通方法只预测平面上的移动轨迹，不考虑机器人身体的三维形状，容易在真实执行时撞到障碍物。TANGO直接预测全身关节角度，能根据障碍物类型做出跨步、侧身、弯腰等针对性动作，碰撞率明显更低。
Q3：TANGO的训练数据是怎么来的？
A：TANGO团队开发了一套叫PET的自动化仿真数据生成管线，通过路径规划、全身动作编辑、物理跟踪验证三个步骤，在仿真环境里合成了64633条带避障行为的训练轨迹，完全不依赖真人动作捕捉。
