摘要：近日，北京大学联合新加坡国立大学、Sea AI Lab等机构的一篇新论文《Nav - R1: Reasoning and Navigation in Embodied Scenes》，在 embodied AI 领域掀起了波澜。

近日，北京大学联合新加坡国立大学、Sea AI Lab等机构的一篇新论文《Nav - R1: Reasoning and Navigation in Embodied Scenes》，在 embodied AI 领域掀起了波澜。

这项研究提出，机器人不应只“看得见、走得动”，更应具备“看得懂、想得清、走得对”的能力。

在很多传统机器人系统里，导航任务好像不难，输入目标位置或者图像，就能输出一条路径，很多研究者觉得这足以应付大部分场景。

但现实生活中，像在家里、医院、商场这些地方，给机器人下指令，是自然语言。

比如说，让机器人 “从厨房穿过走廊，到沙发旁边的蓝色伞那儿停下”，这短短一句话涉及空间理解、语言解析、目标识别等一堆复杂的子任务。

要是机器人光会 “走”，不会 “想”，那很可能走着走着就偏了，甚至完全找不到北。

为了解决这个问题，Nav - R1 引入了一个关键的东西 —— 结构化推理机制。

研究团队专门构建了一个超大规模的数据集 Nav - CoT - 110K，里面有约 11 万条导航推理轨迹。

每条轨迹都详细记录了指令、视觉输入、候选动作和推理过程。

就好比给机器人提前准备了一个 “思考框架”，让它在正式学习怎么在复杂环境里导航之前，就有了基本的思路，这是应对复杂环境的必备条件。

以往的导航系统，评价任务完成得好不好，一般只看机器人有没有到达目标点。

但在实际使用中，用户更关心机器人的行为是不是合理，走的路径是不是又快又安全。

所以，Nav - R1 在强化学习阶段，精心设计了三种奖励机制，分别是格式规范、语言理解和路径合理性。

机器人不仅要成功抵达终点，在整个行进过程中，还得展现出对任务的深入理解。

比如说，得按照指令要求 “在镜子前等待”，或者 “在右侧的黑椅子旁边停下”，它的行为得符合我们语言里的预期，不只是随便走走，覆盖空间就行。

说到机器人系统，实时性是个绕不开的关键指标。

很多工程人员都担心，给机器人增加推理模块，会不会让它反应变慢呢？

Nav - R1 巧妙地借鉴了认知心理学里的 “双系统理论”，这个理论里，系统一擅长快速决策，系统二擅长深度思考。

决策双系统理论

受此启发，研究团队提出了 Fast - in - Slow 推理范式，让推理系统能快速生成高层决策，运动控制系统稳稳地执行底层动作。

经过在多个实验平台测试，Nav - R1 不仅推理延迟低，而且在路径精度和任务成功率上，把不少基线模型甩在了后面，这说明通过合理的结构设计，真能实现 “脑子快、身体稳” 的协同。

从仿真到现实，一直是 embodied AI 领域最大的拦路虎。

不少模型在 Habitat 等模拟平台上表现得相当出色，可一旦放到真实机器人上，性能就直线下降。

Nav - R1 的研究团队选了 WHEELTEC R550 移动机器人平台，在真实环境里测试任务。

这个平台配备了 Jetson Orin Nano、RGB - D 摄像头和 LiDAR，具备一定的感知和计算能力。

在会议室、走廊、休息区这些真实场景中，Nav - R1 执行了好多组指令，像 “前往左侧的黑色椅子暂停，再前往右前方的蓝色伞前停下”“直行寻找靠墙的键盘”。

测试结果令人惊喜，机器人不但能完成任务，还能在执行过程中，根据环境变化灵活调整，展现出对自然语言超强的理解和执行能力。

对于不少机器人研究者来说，“通用性” 是他们追求的大目标。

Nav - R1 不只是一个普通的导航模型，它更像是一个强大的底层架构，能支持各种各样的扩展任务。

论文里就列举了好多应用方向，比如服务机器人能在家里按我们说的话找东西，医疗助老设备能在医院里按语义导航，增强现实系统里的虚拟助手能根据视觉输入给我们引导，工业机器人能在危险场景里执行复杂的路径规划。

Nav - R1 的结构就像一座桥梁，把自然语言指令、视觉感知、推理逻辑和运动控制都打通了，为这些不同的任务提供了统一的架构支持。

从 “路径规划” 到 “认知导航”，从单纯的 “工具” 变成我们贴心的 “伙伴”，Nav - R1 代表的这条技术路线，说不定会彻底改变我们对 “机器人智能” 的认知。

未来，一个机器人更懂我们、更智能的时代，或许正加速向我们走来。

来源：晓婷医生吖