（来源：科技行者）
你有没有想过，让一个机器人去帮你找客厅里的沙发，到底难在哪里？
听起来像是小菜一碟。机器人有摄像头，能看懂图像，走到沙发前停下不就行了。但现实是，如果你对机器人说"找沙发"，它接下来要面对的是一连串没有标准答案的判断：这个房间搜过了吗？那个像沙发的东西到底是沙发还是扶手椅？门被挡住了要不要绕路？如果任务变成"找个能休息的地方"，机器人甚至得先猜你说的"休息"具体指什么。
这篇来自浙江大学等机构的论文，提出了一个叫SuperNav的导航系统，试图把这件看似简单实则复杂的事情做明白。它的核心思路挺反直觉的：不去专门训练一个更懂导航的AI模型,而是让一个本来就很聪明的通用AI,学会怎么使唤导航工具。
**这篇论文的作者让我意识到，解决导航问题的关键可能根本不在导航本身,而在于谁来做决策。**
这个思路转变，要从行业现状说起。
两条老路,为什么都走不通
先说第一条路,模块化零样本导航系统。
这类系统的做法是搭一套固定的工作流程：用视觉语言模型给当前看到的画面打个"和目标相关不相关"的分,根据这个分数决定往哪探索。VLFM、L3MVN、SG-Nav这些方法都是这个思路,近两年陆续迭代。
问题出在哪？
> 视觉语言模型（VLM）：一种既能看图又能理解语言的AI模型,常用来判断图像和文字描述是否匹配。
这套打分机制挺聪明的,能根据新看到的画面调整探索方向。可一旦任务需求变了,整套工作流程往往就得跟着改。找一个物体类别和找一个特定实例,是两种完全不同的判断逻辑,前者只要大致像就行,后者得认准具体是哪一件。如果任务变成按顺序访问多个目标,又得加一套进度追踪的机制。如果任务变成满足一个抽象需求比如"找个地方休息",连目标是什么都得现推理。工作流程是针对某一类任务设计的,换个任务就得重新设计。
这就好比你给一个新来的服务员定了一套固定的服务流程：先问桌号,再上菜单,再问要不要加水。这套流程服务普通顾客很顺畅。可要是来了个带小孩的顾客需要儿童椅,或者来了个只想打包带走的顾客,这套流程就卡壳了,因为流程压根没考虑过这些分支。你要么不断给流程打补丁,要么干脆重新设计一套。如果不做任何调整,硬套原流程,顾客多半会觉得这服务员死板,体验很差。
第二条路是端到端导航模型,直接在一堆"导航指令配轨迹"的数据上微调视觉语言模型,让它直接从图像和语言预测下一步该往哪走。NaVid、UniNaVid这些模型走的就是这条路。
> 微调（Fine-tuning）：在一个已经训练好的大模型基础上,用特定领域的数据继续训练,让模型更适应某个具体任务。
这条路的问题更根本。模型学到的,是观察、指令和导航行为之间的某种关联。这种关联在训练过的环境里能用,一旦换了没见过的场景,换了没遇到过的指令,这种关联还靠不靠得住,谁也说不准。论文里的跨环境测试结果很说明问题：UniNaVid在单目标导航任务上的成功率只有34%,StreamVLN更是只有13.33%。换句话说,这些在训练数据覆盖范围内表现不错的模型,一旦踏出训练环境,表现大打折扣。
这就好比一个只在老家开过车的司机,被扔到一个陌生城市。他开车的技术没变,方向盘怎么打、油门怎么踩都没问题,但他对这座城市的路网完全没有直觉。遇到没见过的路口布局，他的反应速度和判断力就会明显下降。如果训练数据没覆盖到的场景足够多,这种司机在新城市里迷路、犯错的概率会直线上升。
两条路都卡在同一个地方：要么任务一变就得重新设计流程,要么场景一换就丧失判断力。SuperNav想解决的,正是这个"任务通用性"和"场景通用性"没法兼得的老问题。
SuperNav的答案：让AI做决策,把跑腿的活交出去
SuperNav的设计思路说起来不复杂：不去专门训练一个导航专用的AI大脑,而是给一个本来就很强的通用多模态大语言模型（简称MLLM）配一套专门的"外挂装备"。
> 多模态大语言模型（MLLM）：既能理解文字又能理解图像的大型AI模型,比如GPT系列的视觉版本,本身具备通用的推理和理解能力,但不是专门为导航训练的。
这套外挂装备论文里叫"agent harness",可以理解成一整套协作机制。它包含三块东西：导航技能包（Navigation Skills）,面向智能体的工具（agent-oriented Tools）,以及任务进度和上下文管理机制。
这个设计的巧妙之处在于分工。AI大脑负责的是理解请求、看懂场景、做判断这些"动脑子"的活,比如这个东西到底是不是沙发、这条路走不走得通、任务算不算完成了。至于"怎么走过去"这种具体的执行动作,交给专门的导航工具去做。
这就像一个总经理和一个专业司机的关系。总经理负责判断去哪个城市谈生意、选哪家餐厅接待客户、什么时候该结束行程,这些需要综合判断的事情。司机负责方向盘、油门、刹车这些具体操作。如果让总经理自己开车,他得分心处理路况,判断力会被执行细节拖累。如果让司机决定去哪谈生意,他又缺乏那种全局判断的经验。把两者分开,各司其职,系统才能既灵活应对新情况,又能稳定执行动作。如果不这样分工,硬要训练一个全能模型同时精通判断和执行,结果往往是两头都做不精,这正是端到端方法遇到的困境。
### 导航技能包：遇事不决,翻翻说明书
SuperNav里的"Navigation Skills"是什么东西？
它其实就是一份份Markdown格式的说明文档,记录了"遇到什么情况该怎么办"的经验。论文里设计了四类技能：搜索（Search）、候选复核（Recheck）、恢复（Recover）、完成判定（Complete）。
> Markdown：一种轻量级的文本格式,常用来写结构化的说明文档,比如标题、列表、链接这些格式都能用简单符号表示。
这些技能包不是写死的程序逻辑,而是AI在需要时主动去读的参考资料。比如搜索技能会提醒AI记录已经探索过的区域、看到的开口、还不确定的岔路,好让它之后还能回去看看。恢复技能会建议,如果某条路走不通,可以换个落脚点或者换条路线试试,如果候选目标太难看清楚,先退后一步重新观察。完成判定技能则提醒AI要核对候选物体的外观、和任务要求的关系、周围的环境,确认无误后再记录完成,继续处理剩下的任务。
论文开头那张配图讲得挺形象：机器人要找沙发,先检查了几把扶手椅发现不对,又搜了个主卧室发现只有床,撞上了一扇被挡住的门,退回走廊换路,最后终于确认找到了真正的沙发。整个过程里,AI不是靠一套死板的流程推着走,而是每一步都在读技能文档、看反馈、重新判断。
实验数据能看出技能包到底有多重要。论文做了个对比实验,如果去掉这些技能包,只保留基础的工具使用,成功率从73.33%直接掉到54.17%（1米阈值下）,在更严格的0.25米阈值下更是从68.33%跌到35.00%,几乎腰斩。这说明技能包提供的不是锦上添花的小优化,而是实打实的决策支撑。
### 统一的视觉指点接口：告诉我去哪儿,不用管我怎么走
SuperNav另一个关键设计,是把AI的决策和机器人的实际移动连接起来的方式,论文叫它"统一视觉指点接口"（unified visual-point interface）。
具体怎么做的？
机器人每次观察环境会拿到四张照片,分别对应前、右、后、左四个方向。AI要选一个目的地,不需要输出复杂的坐标或者指令,只需要在某张图片上指一个点,用归一化的坐标（u, v）表示这个点在图片里的位置。工具会自动把这个点转换成实际的移动动作,执行完之后再把新的四视角照片和执行状态反馈回去。
> 归一化坐标：把图片的宽和高都看作从0到1的范围,这样不管图片实际多少像素,坐标都能用0到1之间的小数表示某个位置,方便不同分辨率的图片之间统一处理。
这个设计最妙的地方在于,它把"选目的地"这件事和"怎么执行移动"这件事彻底拆开了。论文里设计了两种不同的执行后端：一种叫Geo-based Executor,靠深度信息、相机参数和导航网格做精确的几何规划；另一种叫Learned Executor,是一个学习出来的运动策略模型,不依赖精确的几何测量,直接从图像预测该往哪挪。
这就好比你叫网约车,你只需要在地图上点一个目的地,不用管司机是走导航软件规划的路线,还是凭经验抄近道。乘客的诉求和司机的执行方式是解耦的。如果没有这层解耦,你每次打车都得精确告诉司机"向前开50米,左转30度,再开200米",这不仅麻烦,换个司机这套指令可能还执行不了。统一接口的意义就在于,不管后端用哪种执行机制,AI只要专注于选点这一件事就够了。
实验结果证明这套设计确实管用。在单目标导航任务上，SuperNav配合Geo-based Executor拿到78%的成功率，而表现最好的基线方法UniNaVid只有34%，差距超过一倍。
### 会议记录员：怎么让AI不迷路,不失忆
长时间执行任务,AI很容易"失忆"。走了十几步之后,之前探索过哪里、哪些目标已经找到、哪些还没找到,这些信息如果不管理好,AI很容易重复劳动甚至原地打转。
SuperNav专门设计了任务进度记录和上下文管理机制来解决这个问题。它会维护一份目标清单，记录哪些任务已完成、哪些还待完成，同时用文字形式保留探索过的区域、发现的线索、失败的尝试这些历史信息。
但这里有个现实问题：如果每一步都把所有历史图片原封不动地传给AI,上下文会越堆越大,处理起来又慢又贵。SuperNav的解决办法是,一旦某张图片被处理过、被更新的观察取代了,就把这张图片本身从后续请求中移除,但保留它对应的文字记录和图片路径,AI需要的时候还能从工作区里调出来看。
这就像一个随行秘书,帮你记录每天开会的内容。秘书不会把每次会议的录像都存下来反复播放给你看,那样效率太低,很快你的电脑内存就爆了。他会做会议纪要,记下关键结论和待办事项,原始录像存档备查,真要回头核实细节,再去调出来看。如果没有这种取舍,系统要么信息丢失乱了阵脚,要么负担过重拖慢反应。
测试结果：换了四个场景,SuperNav都站住了脚
光说设计思路还不够,这套系统到底好不好使,得看实测数据。
论文在四种不同场景下做了测试：单目标导航、多目标有序导航、需求驱动导航,以及类别级导航。
| 任务类型 | SuperNav（Geo-based）成功率 | 最强基线成功率 |
| 单目标导航 | **78.00%** | 34.00%（UniNaVid） |
| 多目标导航 | **34.00%** | 4.00%（OmniNav） |
| 需求驱动导航 | **59.50%** | 37.50%（OmniNav） |
需求驱动导航这项测试尤其有意思。它测的不是"找到一个指定物体",而是"满足一个抽象需求"。论文里举的例子是,用户说"我马上要开始工作了,需要一个干净可用的空间",AI得自己推理出需要找一张桌子当工作台,识别出桌上有个花瓶需要挪走,再找个合适的地方比如架子把花瓶放好。这已经不是简单的目标检索,而是需要连续的常识推理。SuperNav在这项任务上的成功率接近基线方法的1.6倍。
在类别级导航测试里,SuperNav在HM3D-OVON数据集上拿到73.33%的成功率,没有做任何针对这个数据集的专门训练或适应。这点挺重要,说明它的通用性不是靠"刷题"刷出来的。
论文还做了一项真实世界测试,把系统部署到一个Unitree Go2四足机器人上。机器人靠四个方向的摄像头和激光雷达执行导航,能在真实办公室环境里完成找篮球、找另一台机器人、依次访问打印机和垃圾桶这些任务,还能在遇到死路时自己调整路线。这说明这套方法不只是在模拟器里好看,搬到真实世界也站得住。
换个大脑试试：这套外挂装备挑不挑AI模型
研究者还做了一个挺有说服力的实验,把驱动决策的AI模型从GPT-5.6 Terra换成了GPT-6 Astra（中等推理强度）,其他一切保持不变。结果是,换了模型之后,成功率和路径效率反而都提升了,在0.25米阈值下成功率从68.33%升到71.67%。
这个结果说明什么？
说明SuperNav这套外挂装备和具体用哪个AI大脑关系不大,换一个更强的大脑,整套系统的表现能跟着水涨船高。这也印证了论文最初的设计理念：与其费劲训练一个专用的导航大脑,不如把通用大脑的能力用好,未来大模型本身越变越强,这套系统也能跟着一起变强,而不需要重新训练。
写在后面
读这篇论文最让我愣了一下的地方,是作者对"失败"的态度。
论文里特意强调,任务终止工具记录的"完成"或"受阻"状态,只代表AI自己的判断,不代表任务真的成功了,成功与否还要靠独立的评分规则来核实。这个设计细节暴露了一个挺现实的问题：让AI自己说"我完成了",和它是不是真的完成了,这中间永远存在一道缝隙。SuperNav没有假装这道缝隙不存在,而是坦然地把判断权和评判权分开处理。这种诚实挺难得的,很多系统设计倾向于粉饰这种不确定性。
还有一个细节值得琢磨。论文的消融实验显示,去掉技能包对成功率的伤害,比把摄像头视角从四个砍到一个的伤害还大。这说明在导航这件事上,"知道该怎么判断"可能比"看得更多"更重要。这跟我们平时的直觉有点不一样,我们总觉得信息越多越好,但如果没有恰当的判断框架去消化这些信息,信息本身的价值其实有限。
这篇论文留下的开放问题也挺真实。论文作者自己承认,需求驱动导航的评测目前只测了AI有没有走到相关目标附近,并没有真正验证用户的需求是不是被满足了,比如"工作区清理好了"这件事,机器人走到桌子旁边不代表桌子真的被收拾干净了。这中间的落差,可能是接下来最值得追的方向。
如果你让一个机器人去帮你收拾房间,它走到了乱糟糟的桌子前面,拍了张照片,然后告诉你"任务完成",你会相信吗？
Q&A
Q1：SuperNav是什么？
A：SuperNav是浙江大学等机构提出的一套智能体导航框架,给预训练的多模态大语言模型配上专门的导航工具、技能包和上下文管理机制,让AI专注做判断,把具体的移动执行交给导航工具完成,不需要对大模型做导航专用的微调训练。
Q2：SuperNav和之前的导航方法比,优势在哪？
A：之前的方法要么用固定工作流程,换个任务就得重新设计,要么直接微调大模型预测动作,换个没见过的环境表现就大幅下滑。SuperNav让AI保留通用的理解和推理能力,单目标导航成功率达到78%,远超基线方法UniNaVid的34%,在陌生场景和多样任务上都表现稳定。
Q3：SuperNav能在真实机器人上用吗？
A：可以。论文在Unitree Go2四足机器人上做了真实世界部署测试,机器人靠四方向摄像头和激光雷达执行导航,能完成找物体、依次访问多个目标等任务,遇到路被挡住时还能自己调整路线重新规划。
