近年来，视觉语言模型（Vision-Language Model, VLM）在图像理解、语义推理等任务中展现出了强大的能力。然而，当这些模型真正进入物理世界，让机器人根据一句自然语言指令完成自主导航时，仍然面临巨大挑战。

例如，机器人完成一句简单的指令：

“穿过走廊，在窗户旁边找到椅子。”

机器人不仅需要 “理解” 这句话，还需要知道：“走廊在哪里？ 窗户和椅子之间是什么空间关系？当前视角是否被遮挡？应该先往哪里移动？接近目标时如何避免碰撞？” 这就是视觉语言导航（Vision-and-Language Navigation, VLN）面临的核心问题：如何让智能体将自然语言指令转化为现实世界中的连续行动。

为此，AgentVLN 提出 “VLM-as-Brain” 的理念，让 VLM 负责高层认知决策，同时通过模块化技能库完成具体执行，从而实现更加高效、灵活的机器人导航，即：VLM Agent → Skill Calling → SLAM/Perception → Robot Navigation。

论文提出的 AgentVLN 在 R2R-CE 和 RxR-CE 等主流 VLN 基准上取得领先性能，同时仅使用 3B 规模模型，并支持 Jetson 等边缘设备实时运行。 该成果已被计算机视觉顶级会议 ECCV 2026 （European Conference on Computer Vision）录用。

• 论文标题：AgentVLN: Towards Agentic Vision-and-Language Navigation
• 代码链接：//github.com/Allenxinn/AgentVLN
• 项目主页：//allenxinn.github.io/AgentVLN/
• 数据集链接：//huggingface.co/datasets/allenxinn/AgentVLN-Instruct

核心思路

AgentVLN 使得机器人不再要求一个巨大模型直接完成所有事情，而是让视觉语言模型负责：“理解任务目标、分析环境与调度不同技能”。 而具体执行，例如建地图、避障、移动和定位等功能则交给专门设计的技能模块完成。该工作将导航过程建模为部分可观测半马尔可夫决策过程，并将技能划分为感知层技能和规划层技能，让智能体根据环境状态动态调用不同能力。这种设计类似人类完成导航任务的方式：

看到环境 → 思考路线 → 行动 → 根据反馈调整。

机器人不需要每一步都重新学习，而是像人一样调用已有能力。同一个 AgentVLN “大脑”，可以根据不同机器人的身体能力，替换对应的底层技能模块，从而快速适配不同机器人平台。

通过插件式底层技能库设计，AgentVLN 可以在不重新训练大规模视觉语言模型的情况下，通过扩展或替换技能实现对新环境和新任务的适应。

把 3D 世界 “翻译” 为 VLM 能看懂的 2D 提示

视觉语言模型最大的优势，是理解二维图像中的语义信息。 但机器人导航的问题在于：真实世界是三维的。机器人需要知道：“应该往哪里走？”，而 VLM 看到的是：“图片里的哪个位置代表目标方向？”，如何连接这两个空间，一直是机器人自主导航领域的重要挑战。

为此，AgentVLN 提出：跨空间表示映射机制（Cross-space Representation Mapping）。其核心思想是：先利用 SLAM 作为感知技能计算真实环境中的可行路径，再将三维路径信息映射回二维图像空间，让 VLM 直接在视觉空间中进行决策。

机器人首先调用感知技能，对当前环境进行分析：1）构建三维空间地图；2） 获取环境拓扑结构；3）计算可通行区域；4）生成候选导航路径点。 随后，AgentVLN 利用相机模型，将这些三维可行路径点投影到当前摄像头视角下的二维图像中。最终，原本复杂的三维路径规划问题，被转换为：

“在图像中选择最符合语言指令的路径点。”

也就是说，模型不再需要直接从开放空间中预测一个精确坐标，而是将：开放性的精细点坐标生成问题（open-ended coordinate generation）转化为：基于视觉提示的路径选择问题（choice-based selection）。

这种方式充分发挥了 VLM 强大的视觉语义理解能力，同时避免其直接进行复杂三维几何推理。该机制通过将感知层计算得到的三维路径点投影到二维图像平面，生成像素级对齐的视觉提示，使 VLM 能够直接在视觉空间中选择符合指令的路径，并进一步恢复为三维导航控制信息。

上下文驱动的自我纠错机制

现实物理环境下，机器人可能遇到：“家具遮挡、光线变化；摄像头看不到目标；行进过程中产生误差。” 如果机器人一直按照原计划前进，小错误可能不断累积，最终导致完全偏离目标。

因此，AgentVLN 加入了上下文驱动的自我纠错机制。当机器人发现：当前路线不可见；或者环境和指令不匹配；它不会盲目前进，而是主动执行探索动作：转身观察； 调整方向； 搜索新的路径。

该机制能够在遮挡、盲区以及轨迹偏移情况下生成细粒度探索动作，从而减少长期导航中的误差累积。

主动调用感知技能补足空间信息

AgentVLN 提出 Query-Driven Perceptual Chain-of-Thought（QD-PCoT），让机器人具备 “主动获取信息” 的能力。其核心思想是：

当模型无法确定目标位置时，不再盲目预测，而是主动提出问题，并调用感知技能补充缺失信息。

当机器人无法判断椅子的距离时，会主动询问：

“前方椅子距离我有多远？”

随后调用深度感知模块获取空间信息，并结合反馈完成目标定位。相比直接回归目标坐标的方法，QD-PCoT 将导航过程转变为：

主动提问 → 获取信息 → 更新认知 → 决策行动

从而赋予机器人类似人类的 “自我认知” 能力，使其能够判断 “自己缺少什么信息”，并主动调用相应技能完成补充。论文实验表明，引入 QD-PCoT 后，AgentVLN 在无需增加额外参数的情况下进一步提升导航性能，有效缓解二维视觉中的深度歧义问题。

VLN 模型的端侧部署

很多先进视觉语言模型参数规模巨大，需要依赖云端服务器推理计算。AgentVLN 选择轻量化路线，采用 Qwen2.5-VL-3B 作为核心底座模型，并通过模块化设计避免额外的大规模三维视觉模块，实现了在 Jetson 边缘设备上的本地运行。

AgentVLN 不仅在多个 VLN 基准测试中超过已有方法，同时保持较小参数规模。研究团队将系统部署在四足机器狗、人形机器人平台上，通过摄像头获取环境信息，再利用感知技能完成地图构建和路径规划。

结语

AgentVLN 让机器人不再依赖一个庞大的端到端模型解决所有问题，而是赋予 VLM “大脑” 的角色：负责理解任务、分析环境和决策规划，再通过技能调用连接 SLAM、定位和控制模块，完成真实世界中的自主行动。未来，随着大模型推理能力不断增强，以及机器人感知、运动和操作技能持续完善，机器人有望从 “被预先编程执行任务”，逐渐走向 “理解目标、自主规划、主动学习”，真正成为能够与物理世界交互的智能体。