来源：具身智能导航
文章链接：https://mp\.weixin\.qq\.com/s/g6dBxMJ7KPKJzYhKka\_HWA
经过系统梳理，CoRL 2025共收录了13篇具身导航相关论文。本文将对这些工作进行系统性总结，深度剖析该领域的研究现状、发展趋势，并与NeurIPS等AI顶会进行对比分析。
01. 研究任务概览：多元化任务分布
CoRL 2025的具身导航论文呈现出任务多样化的显著特点：
视觉导航 (Visual Navigation) 是最主要的研究方向，包括基于拓扑地图的导航[1]、基于人类偏好的导航[2]、安全增强导航[7]等多个子方向。
视觉语言导航 (VLN) 同样受到关注，强调零样本泛化[11]和无人机场景[12]的实际部署能力。
社会性导航 (Social Navigation) 是CoRL的一大特色，包括人群导航中的安全性保障[10]、社会场景理解基准构建[4]等，这类工作在AI会议中相对较少。
此外，还涵盖人形机器人导航[3]、多机器人协同[5]、移动操作[9]、越野导航[13]等更贴近实际机器人应用的方向。
02. 当前研究的核心挑战
本届CoRL中稿论文着重体现了以下四个核心挑战：
1. 跨具身形态的泛化能力不足传统的"图像相对"控制方法严格绑定于智能体的姿态和具身形态，难以在不同传感器高度、不同机器人平台之间迁移[1]。
2. 人类偏好与社会规范的量化困难机器人导航需要符合人类直觉和社会规范，但如何将这些隐性知识量化为可学习的奖励函数，仍是一个开放问题[2, 4, 10]。
3. 分布外场景的鲁棒性不足基于学习的视觉导航模型在面对未见过的物体、不同的相机设置或陌生的人群动态时，性能显著下降[7, 10]。
4. 零样本部署与真实世界迁移如何在不依赖目标环境训练数据的情况下，实现从仿真到真实世界的有效迁移，是CoRL论文普遍关注的问题[9, 11, 12]。
03. 四大研究趋势洞察
趋势一：形态多样化——从轮式到底盘，再到人形与无人机
尝试的设备越来越多样！
人形机器人 (Humanoid): 论文 [3] 探索了基于人体动捕数据和 Aria 眼镜数据的人形机器人全身导航与操作。
无人机 (UAV): 论文 [12] 和 [13] 针对无人机的高动态、低延迟需求，提出了基于 VLM 的视觉导航和基于神经形态计算的极速避障。
多机器人编队: 论文 [5] 研究了多机器人在狭窄走廊中的动态分队与编队控制。
趋势二：安全至上——基于不确定性的模块化“护盾”
在真实世界跑模型，安全是第一位的。CoRL 的研究不再盲目信任大模型的输出，而是为其加上了“安全锁”：
外挂式安全模块: 论文 [7] (CARE) 提出了一种即插即用的模块，利用 RGB 估计深度并计算排斥力，强制修正大模型的轨迹以避免碰撞。
不确定性量化: 论文 [10] 和 [13] 利用共形推理 (Conformal Inference) 或神经过程 (Neural Processes) 来量化环境和预测的不确定性，让机器人在“心里没底”的时候走得更保守、更安全。
趋势三：Training-free 与模块化设计成为主流
与其训练一个巨大的端到端黑盒，CoRL 的研究者更倾向于将大模型作为系统的一部分，或者利用几何约束来避免训练：
Training-free (免训练): 论文 [11] (GC-VLN) 和 [12] (SPF) 均强调了 Training-free 的特性，通过将 VLM 的输出转化为几何约束或2D 航点，直接利用传统控制算法执行，无需在特定数据上微调。
组合式导航: 论文 [6] (ComposableNav) 利用扩散模型学习独立的运动原语（如“超车”、“靠右走”），在部署时动态组合，展现了极强的任务灵活性。
趋势四：以人为中心的社会化导航 (Social Navigation)
机器人不再是孤独的行者，它们需要理解人类的意图和偏好：
人类偏好对齐: 论文 [2] (HALO) 通过离线强化学习，将人类的直觉和偏好转化为奖励函数。
社会场景理解: 论文 [4] 专门建立了一个 VQA Benchmark，测试 VLM 是否真的理解“社会规范”（例如：不应该穿过正在交谈的人群）。
04. CoRL vs. NeurIPS：AI 顶会与机器人顶会的“导航”有何不同？
通过对比 NeurIPS 2025 和 CoRL 2025 的中稿列表，我们可以清晰地看到两个社区在 具身导航 这一共同话题上有一点的差异：
1. 验证标准的鸿沟：Sim vs. Real
2. 任务定义的维度：High-level vs. Hierarchical
3. 安全与不确定性 (Safety & Uncertainty)
4. 任务设定的喜好层面
附录：CoRL 2025 具身导航论文列表与简析
[01] ObjectReact: Learning Object-Relative Control for Visual Navigation
本文提出了一种全新的视觉导航范式——基于物体相对控制（Object-Relative Control）的导航方法ObjectReact。与传统依赖图像对进行控制预测的方法不同，该方法将世界表示为物体级别的拓扑度量图（相对3D场景图），并通过"WayObject Costmap"这一创新表示来条件化局部控制器。实验表明，该方法不仅能够实现传统的路径跟随任务，还能完成走捷径、逆向行驶、到达未访问目标等更具挑战性的导航任务，同时展现出优异的跨机器人平台泛化能力。
CoRL 2025 (1) | ObjectReact：从图像到物体，视觉导航的范式转换与跨平台泛化突破
**
**
[02] HALO: Human Preference Aligned Offline Reward Learning for Robot Navigation
本文提出了HALO（Human Preference ALigned Offline Reward Learning），一种基于人类偏好对齐的离线奖励学习框架，用于训练仅依赖RGB相机的机器人视觉导航系统。HALO通过收集人类对导航场景的二元反馈（如"机器人能否左转？"），利用Plackett-Luce排序模型学习奖励函数，从而将人类的导航直觉量化为可训练的视觉奖励模型。实验表明，HALO在真实世界部署中相比现有方法取得了33.3%的成功率提升，同时无需依赖昂贵的LiDAR传感器。
CoRL 2025 (2) | HALO：马里兰大学提出让机器人学会"看脸色"的视觉导航新方法
**
**
[03] HEAD: Hand-Eye Autonomous Delivery
本文提出了一个名为HEAD（Hand-Eye Autonomous Delivery）的人形机器人自主配送框架，能够同时学习导航、运动控制和目标触达三项核心技能。该框架采用模块化设计，通过高层策略控制机器人眼睛和双手的目标位置与方向，低层策略则负责全身运动的协调执行。研究团队充分利用大规模人类运动捕捉数据和Aria眼镜采集的视觉感知数据，实现了从人类数据到机器人控制的有效迁移。在真实环境中的实验表明，该系统在不同场景下达到了71%的成功率，展示了人形机器人在人类设计的复杂室内环境中进行导航和触达任务的能力。
CoRL 2025 (3) | 斯坦福提出HEAD：让人形机器人学会"用眼找路、用手触物"的自主配送框架
[04] SocialNav-SUB: Benchmarking VLMs for Scene Understanding in Social Robot Navigation
本文提出了SocialNav-SUB，这是首个专门针对社交机器人导航场景理解的视觉问答(VQA)基准测试。该基准基于真实的社交导航数据集SCAND构建，包含4968个独特问题和对应的人类标注答案，覆盖空间推理、时空推理和社交推理三大维度。研究者在该基准上评估了多个主流视觉语言模型(VLM)，包括GPT-4o、Gemini 2.0/2.5、OpenAI o4-mini等，发现即使表现最好的模型也无法超越简单的规则基线和人类共识基线，揭示了当前VLM在社交场景理解方面的关键能力缺口。
CoRL 2025 (4) | 机器人如何读懂人群？SocialNav-SUB基准测试揭示视觉语言模型的社交理解短板
[05] STAF: Subteaming and Adaptive Formation Control for Coordinated Multi-Robot Navigation
本文提出了一种名为STAF（SubTeaming and Adaptive Formation）的多机器人协同导航方法，解决了机器人团队在狭窄走廊等复杂环境中无法保持原有编队通过的难题。该方法采用统一的分层学习框架，包含三个层级：高层通过深度图割实现团队自动分组，中间层通过图学习协调子团队并自适应调整编队形状，底层通过强化学习控制单个机器人避障导航。实验在Gazebo仿真、Unity3D高保真仿真以及真实物理机器人平台上进行了验证，结果表明STAF能够有效实现分队、编队自适应和团队重组，显著优于现有方法。
CoRL 2025 (5) | STAF：多机器人编队如何通过窄走廊？一种分队与自适应队形控制方法
[06] ComposableNav: Instruction-Following Navigation via Composable Diffusion
本文提出了ComposableNav，一种基于可组合扩散模型的运动规划器，用于解决动态环境中的指令跟随导航问题。针对指令规格组合数量呈指数级增长的挑战，该方法将复杂指令分解为多个独立的运动原语（motion primitives），分别用扩散模型学习，在部署时通过组合这些原语生成满足所有指令要求的轨迹。为避免为每个原语收集大量专用演示数据，论文设计了"监督预训练+强化学习微调"的两阶段训练流程。实验表明，ComposableNav在仿真和真实机器人上都能有效处理未见过的指令组合，显著优于基于视觉语言模型的基线方法。
CoRL 2025 (6) | ComposableNav：UT-Austin让机器人听懂复杂指令的"组合魔法"
[07] CARE: Collision Avoidance via Repulsive Estimation
本文提出了CARE（Collision Avoidance via Repulsive Estimation），一个可即插即用的安全增强模块，用于提升基于视觉的机器人导航系统的避障能力。CARE无需额外的测距传感器或对预训练模型进行微调，仅利用RGB图像估计的深度信息构建局部障碍物地图，并通过人工势场法计算排斥力向量来动态调整机器人的运动轨迹。在三种不同机器人平台上的真实环境实验表明，CARE能够将碰撞次数减少高达100%，同时在探索任务中将无碰撞行驶距离提升最高10.7倍，且不影响原有导航模型的性能。
CoRL 2025 (7) | CARE：让视觉导航机器人学会"躲避障碍"的即插即用安全模块
[08] ReasonNav: Human-like Navigation in a World Built for Humans
本文提出了ReasonNav，一个模块化的机器人导航系统，旨在让机器人像人类一样高效地在陌生建筑中导航。该系统的核心创新在于利用视觉语言模型（VLM）的零样本推理能力，使机器人能够执行"高阶导航技能"——包括阅读方向指示牌、识别门牌号码以及向路人问路。通过将环境抽象为基于地标的记忆库，ReasonNav有效降低了VLM的输入输出复杂度，使其专注于语言理解和高层推理。实验表明，在真实世界和仿真环境的大型建筑导航任务中，ReasonNav相比缺乏高阶技能的基线方法，成功率提升了超过40个百分点。
CoRL 2025 (8) | ReasonNav：UIUC提出让机器人学会看标识、问路的智能导航系统
[09] MoTo: Zero-shot Plug-in Interaction-aware Navigation for Mobile Manipulation
本文提出了一种名为MoTo（Move and Touch）的零样本插件模块，能够与任意现成的固定底座操作基础模型结合，使其具备移动操作能力。MoTo的核心思想是通过交互感知导航策略，利用视觉语言模型在多视角下生成目标物体和机械臂的交互关键点，并通过轨迹优化算法规划机器人底座的停靠位置，从而让机械臂能够成功执行后续的固定底座操作任务。实验结果表明，MoTo在OVMM仿真基准和真实世界任务中分别实现了2.68%和16.67%的成功率提升，且无需任何移动操作专家数据。
CoRL 2025 (9) | 无需额外训练数据，MoTo让机器人实现通用移动操作
[10] Towards Generalizable Safety in Crowd Navigation via Conformal Uncertainty Handling
本文针对强化学习训练的移动机器人在人群导航中面临分布外(OOD)场景时性能急剧下降的问题，提出了一种基于自适应共形推理(ACI)量化行人轨迹预测不确定性、并通过约束强化学习(CRL)引导决策的框架。该方法将不确定性估计融入观测空间，并以累积侵入代价作为约束条件，有效提升了机器人在分布内和分布外场景下的安全性与鲁棒性。在分布内测试中，成功率达到96.93%，碰撞率降低至基线方法的1/3.72；在速度变化、策略变化、群体动态等三种OOD场景下均展现出显著优于现有方法的泛化能力，并成功部署在真实机器人平台上。
CoRL 2025 (10) | 机器人如何在人群中"见机行事"？加州大学河滨分校提出一种应对复杂人群动态的安全导航方法
[11] GC-VLN: Instruction as Graph Constraints for Training-free VLN
本文提出了GC-VLN，一个面向连续环境的无需训练视觉语言导航框架。与现有方法依赖离散环境或需要在模拟器中进行无监督训练不同，GC-VLN将人类自然语言导航指令分解为显式的空间约束，并构建有向无环图（DAG）来表示导航过程中的路径点和物体之间的空间关系。通过查询预定义的约束库获取约束类型，并利用约束求解器确定各路径点的坐标，配合导航树和回溯机制处理多解或无解情况。实验表明，GC-VLN在R2R-CE和RxR-CE基准上取得了领先的零样本和无训练方法性能，并成功在真实机器人上完成了部署验证。
CoRL 2025 (11) | 清华大学提出GC-VLN，将自然语言指令转化为图约束，实现无需训练的视觉语言导航
[12] SPF: See, Point, Fly - A Learning-Free VLM Framework for UAV Navigation
本文提出了一个名为SPF（See, Point, Fly）的无训练无人机视觉语言导航框架。与现有方法将动作预测视为文本生成任务不同，SPF的核心思路是将动作预测转化为2D空间定位任务：利用视觉语言模型（VLM）在图像上标注2D航点，再结合相机参数将其转换为3D位移向量作为无人机控制指令。该框架无需任何任务特定训练，在仿真环境中取得了93.9%的成功率，在真实世界实验中达到92.7%的成功率，分别比此前最优方法提升了63%和82%。
CoRL 2025 (12) | SPF框架：用大模型实现无人机的"指哪飞哪"
[13] Uncertainty-aware Elevation Modeling for Off-road Navigation via Neural Processes
本文针对越野自动驾驶中的地形高程建模问题，提出了一种基于神经过程（Neural Processes, NPs）的新方法。该方法能够精确估计地形的急剧高程变化（如沟渠、悬崖等负障碍物），同时量化预测的不确定性。通过融合LiDAR和相机传感器的语义特征，并引入局部球查询注意力机制，该方法在保持实时性能的同时，显著提升了在未观测区域的插值和外推精度。实验结果表明，该方法在多个越野数据集上的高程、坡度和曲率误差均优于现有基线方法。
CoRL 2025 (13) | 如何让机器人"看见"隐藏的沟壑？一种结合语义与不确定性的地形高程估计方法
原文链接: https://www.leiphone.com/category/private/pY1TF2fFBejWA1UZ.html
