来源：具身智能之心

原文链接：https://mp\.weixin\.qq\.com/s/NFsKJ0AvASSQsaN6KEmcDQ

01.

现有导航评测到底缺了什么？

具身导航（Embodied Navigation）是具身智能的基石能力——让智能体在陌生环境中自主行动。从最初的视觉语言导航（VLN）和点目标导航（PointNav），到后来的物体目标导航（ObjectNav）、社交导航（SocialNav）、人类跟随（Human Following）和具身问答（EQA），任务类型越来越丰富。

然而，一个关键矛盾正在浮现：算法越来越"统一"，评测却仍然"孤立"。

当前号称"统一导航"的模型（如 Uni-NaVid、OmniNav 等），在发布时往往需要在多个独立基准上分别测试——VLN 用 R2R，ObjectNav 用 HM3D-OVON，EQA 用 OpenEQA。这些基准之间没有任何交叉，每个评测只考察单一技能，完全无法验证一个关键问题：

当智能体需要在同一个任务中连续切换多种导航策略时，它还能正常工作吗？

更进一步，现有评测还存在两个系统性盲区：

行为真实性缺失：几乎所有基准都使用最短路径算法生成轨迹数据，这些"完美路径"缺少人类导航时天然的试探、犹豫和预判行为，导致模型学到的策略与真实部署场景严重脱节。

构型单一：评测通常只针对一种机器人形态（如轮式），无法预测同一算法在四足或人形机器人上的表现。

OmniNavBench 正是为解决这些问题而生。

论文信息

02.

OmniNavBench：一个怎样的基准？

OmniNavBench 整体设计示意

OmniNavBench 的核心理念可以用三个关键词概括：跨技能协同、跨构型泛化、人类级行为监督。

1）组合式指令：

     在一个 episode 中串联多种导航技能

与以往"一个 episode 只测一个任务"不同，OmniNavBench 构建了 组合式指令（Composite Instructions），每条指令至少包含两个异构子任务的有序组合。

举个例子，一条典型指令可能是这样的：

"跟随前方的人进入卧室；然后转身直行前往厨房，同时避开桌旁的女性；找到台面上的微波炉，告诉我旁边有几个锅。"

这条指令一口气涉及了 Human Following → VLN → SocialNav（并行约束） → ObjectNav → EQA，智能体必须在时空上连续执行，不能各做各的。

基准涵盖六种核心能力原语：

子任务数量从 2 个到 4 个以上不等，形成从易到难的系统性难度梯度。

2）多构型支持：同一指令，三种机器人

OmniNavBench 构建于 NVIDIA Isaac Sim 之上，支持三种形态截然不同的机器人——轮式、四足、人形各一台：

同一个算法可以在三种构型上零修改地运行评测，直接暴露其对运动学差异和视角变化的泛化能力。平台同时支持 waypoint 级控制和速度指令级控制，并提供离散动作接口。

三种机器人在不同场景中的视角

3）人类遥操作轨迹：告别最短路径

OmniNavBench 的 全部1,779 条专家轨迹均由人类遥操作采集，而非算法生成。轨迹平均长度 16.7 米，保留了人类导航时的试探性扫视、预判性避让等真实行为模式——这些细节恰恰是最短路径算法生成不出来的。

研究表明，人类路径与最短路径在地标利用率等关键指标上存在显著差异（如 CityNav 中 36.3% vs 24.6%），这些行为细节对于训练鲁棒策略至关重要。

4）大规模指令与场景

在 1,779 条核心指令之上，借助 Qwen3-Max 生成了简洁版、第一人称版、详细版三种风格变体，总计 7,116 条 风格化指令，平均长度 42 词。场景方面，基准囊括 170 个场景——85 个 GRScenes 合成场景（家庭 + 商业）与 85 个 Matterport3D 真实世界扫描，覆盖从家居到办公的多种空间结构，支持跨域泛化评测。

03.

实验：现有"统一"模型的真实表现

研究团队对四个代表性统一导航模型进行了零样本评测：PoliFormer（基于 Transformer 的强化学习）、Uni-NaVid（视觉-语言-动作生成）、MTU3D（导航与探索统一）和 OmniNav（共享连续 waypoint 抽象）。整体结果如下表所示，关键发现总结如下。

SOTA 统一导航模型在三种机器人构型上的定量对比

发现 1：全面的性能退化

所有模型在 OmniNavBench 上的表现都远低于其在单任务基准上的声称水平。最高成功率仅 8.74%（OmniNav，Aliengo），大多数配置低于 2%。这种退化在三种构型上一致出现，说明这是一个根本性的能力缺陷，而非平台特异性问题。

发现 2：子目标能完成，整体任务却失败

Sub-Goal Completion（SGC）与 Success Rate（SR）之间的巨大落差极具启发性——Uni-NaVid 在 Aliengo 上 SGC 达到 44.54%，但 SR 仅有 1.96%。这意味着模型能在单个子任务上取得不错的进展，但 无法在一个连续 episode 中顺序执行多个异构任务。瓶颈不在单项技能，而在技能之间的衔接与切换。

发现 3：导航到了目标附近，却不会停下来

Oracle Success Rate（OSR）远高于 SR（如 Uni-NaVid：26.47% OSR vs 1.96% SR），说明智能体经常能物理上到达目标附近，但 无法正确发出终止信号——这是端到端导航在真实部署中的"最后一厘米"问题。

发现 4：动态社交交互能力严重不足

Human Follow Success（HFS）和 Human Follow Ratio（HFR）在所有配置中都偏低。最好的 HFS 为 45.16%（Uni-NaVid，Carter），但在足式机器人上急剧下降。Social Intrusion Index（SII）普遍偏高，表明智能体缺乏基本的社交距离意识。

发现 5：对机器人构型高度敏感

同一算法在不同构型上的表现差异巨大——OmniNav 在 Aliengo 上 SR 8.74%，在 Carter 上骤降至 1.96%，在人形 H1 上则直接归零。人形平台由于需要持续主动平衡，任何策略瑕疵都会被放大为摔倒（Fall Rate 60-80%），而非轮式平台上的温和停滞。

04.

指令风格的影响

**

**

对 OmniNav 和 Uni-NaVid 的指令风格消融实验揭示了一个值得关注的现象：简洁版和第一人称版指令反而提升了成功率（如 OmniNav 从 8.74% 提升至 14.47%），而详细版表现持平或下降。这表明现有模型过拟合于特定句法模式，对语言多样性的泛化能力不足。

指令风格消融实验

05.

与现有基准的对比

OmniNavBench 与现有导航基准的对比

OmniNavBench 是目前唯一同时覆盖六种任务、支持跨构型评测、并基于人类专家轨迹构建的统一导航基准。

总结与展望

OmniNavBench 的实验结果传递了一个清晰的信号：当前号称"统一"的导航模型，在面对真正的跨技能、跨构型、长时程组合任务时，仍然存在根本性的能力缺口。 实验揭示了两个最关键的突破方向：

鲁棒的顺序任务进度追踪：模型需要在多步组合任务中可靠地追踪执行进度，实现技能间的流畅切换

可靠的终止决策：弥合"到达目标"与"完成任务"之间的鸿沟——导航到位了却不知道该停下来，是当前端到端导航最突出的"最后一厘米"问题

更广泛地看，动态交互意识不足、构型适应性差、指令鲁棒性弱等问题同样亟待解决，这呼唤具备长时程推理能力的下一代通用导航智能体。

原文链接: https://www.leiphone.com/category/private/aR4EwBAU8zrdc67Y.html