原文作者：公众号“视觉语言导航”

原文链接：https://mp.weixin.qq.com/s/4dTxzJyX4bWfaNjziaQ3nQ

视觉导航是自主机器人、智能移动设备的核心能力，而环境表征方式直接决定导航精度、鲁棒性与落地门槛。当前主流视觉导航方案各有致命短板，始终难以兼顾精度、效率与通用性：

?经典全局度量3D地图： 依托占据栅格、SLAM重建全局一致几何地图，虽能实现精准路径规划，但高度依赖高精度全局位姿配准、完整3D点云重建，算力开销大、对环境变化敏感，一旦匹配误差累积直接导航失效。

?图像相对拓扑导航： 以关键帧图像为地图节点，依靠帧间视觉相似度构建拓扑边，完全弱化三维几何约束。优势是轻量化，但功能极度受限，仅能实现简单示教-复现，无法自主规划新路径、应对未知岔路与场景变化。

?物体相对语义导航： 将环境抽象为柜子、墙面、桌椅等语义物体，以物体为子目标做路径规划。虽能提升规划容错性，但过度语义抽象丢失底层几何细节，墙面边界、斜坡、微小障碍物等信息被抹平，极易出现决策偏差、走错路线、碰撞风险。

除此之外，现有方案普遍存在规划与控制割裂痛点：控制器只能接收单一粗粒度子目标，没有连续的局部代价梯度引导，无法自主修正规划路径的微小误差，复杂室内场景适应性极差。 在此背景下，论文立足像素级局部相对几何，跳出全局重建与高层抽象的固有思维，打造全新的像素级导航范式。

MASt3R-Nav整体架构分为骨干模型、离线建图、在线执行、控制器训练四大核心环节，同时引入图结构精简策略，在保证几何精度的前提下严控计算开销。

全程采用冻结预训练的MASt3R作为视觉感知骨干，输入任意RGB图像对，即可输出两大核心能力：

定义像素与之间3D欧氏距离：

仅靠单目RGB图像+基础模型，就能获取可靠的相对三维几何，摆脱硬件依赖。

机器人遍历环境采集图像序列，构建像素拓扑图：

为解决百万级像素图计算爆炸问题，采用三重优化：仅保留有匹配像素、用欧氏最小生成树EMST替代全连接、运行时动态激活孤立像素，在保留几何完整性的同时，大幅压缩图规模。

这是导航的核心环节，三步生成全覆盖像素代价梯度：

最终画面中每一个像素都拥有指向目标的连续代价梯度，为控制器提供细粒度决策依据。

沿用成熟的模仿学习框架，网络由卷积编码器+MLP解码器组成：

为公平对比算法性能，论文搭建标准化、多维度的实验评测体系：

单纯更换图像匹配器，无法提升物体级导航上限；而像素级WayPixel表征+PixelReact控制器组合，SPL从传统物体级51.51%飙升至81.77%，证明像素细粒度几何表征才是性能突破关键。

MASt3R-Nav在轨迹模仿、陌生目标、捷径规划三大任务上大幅领跑：

采用EMST精简策略后，帧内边数从466万骤减至2.4万，Dijkstra规划耗时从9.0s压缩至1.4s，算力大幅下降的同时，导航性能无任何衰减；冗余全像素匹配反而会引入噪声、降低成功率，充分验证稀疏像素几何的有效性。

环境从1层扩展至3层大型办公楼宇，算法运行耗时、内存占用均呈线性增长；即便拥有8万像素节点的超大地图，总运行时长不足5分钟，存储仅540.18MB，完全支持大型园区、楼宇规模化部署。

仅在仿真HM3D数据集训练的模型，无需任何微调，可直接部署真实未知室内环境。机器人依托WayPixel代价图精准感知障碍物、预判通行方向，平稳规划轨迹抵达目标，仿真迁移现实能力极强。

MASt3R-Nav的诞生，彻底打破了机器人视觉导航的固有设计思路：