【机器人】具身导航 VLN 最新论文汇总 | Vision-and-Language Navigation

【机器人】具身导航 VLN 最新论文汇总 | Vision-and-Language Navigation

本文汇总了具身导航的论文,供大家参考学习,涵盖2026、2025、2024、2023等

覆盖的会议和期刊:CVPR、IROS、ICRA、RSS、arXiv等等

论文和方法会持续更新的~

一、🏠 中文标题版

2026 

  • [2026] SeqWalker:基于分层规划的时序视野视觉语言导航方法 [ 论文 ] [ GitHub ]  
  • [2026] UrbanNav:从网络规模人类轨迹中学习语言引导的城市导航方法 [ 论文 ] [ GitHub
  • [2026] VLN-MME:面向语言引导视觉导航智能体的多模态大语言模型诊断基准 [ 论文 ] [ GitHub
  • [2026] ASCENT: 实现楼层感知的零样本物体目标导航  [ 论文] [ GitHub ]

2025 😆

  • [2025] ETP-R1:面向连续环境VLN的进化拓扑规划与强化微调方法 [ 论文 ] [ GitHub ]
  • [2025] NaviTrace:评估视觉语言模型在真实世界场景中的导航能力 [ 论文 ] [ GitHub ]
  • [2025] AstraNav-World:面向具身导航的物理一致性世界模型 [ 论文 ] [ GitHub ]
  • [2025] OneMap:面向零样本多目标导航的实时开放词汇建图方法 [ 论文 ] [ GitHub ]
  • [2025] VLNVerse:面向视觉语言导航的通用化具身真实仿真与评估基准论文 ] [ GitHub ]
  • [2025] Nav-R2:面向开放词汇目标导航的双关系推理框架 [ 论文 ] [ GitHub ]
  • [2025] DualVLN:面向泛化视觉语言导航的双系统基础模型论文 ] [ GitHub ]
  • [2025] SeeNav-Agent:基于视觉提示与步级策略优化RL微调的VLN [ 论文 ] [ GitHub ]
  • [2025] NeuPAN:基于端到端模型化学习的机器人直接点位导航方法 [ 论文 ] [ GitHub ]
  • [2025] i2Nav-Robot:面向多传感器融合导航与建图的大规模室内外机器人数据集 [ 论文 ] [ GitHub ]
  • [2025] CE-Nav:基于流引导强化学习的跨实体局部导航优化 [ 论文 ] [ GitHub ]
  • [2025] VLN-R1: 使用大型视觉语言模型 LVLM,结合微调和强化训练,实现连续环境导航 [ 论文 ] [ GitHub ]
  • [2025] StreamVLN:  连续导航,通过在线、多轮对话的方式,输入连续视频,输出动作序列 [ 论文 ] [ GitHub ]
  • [2025] REGNav:“先学房间风格,再学导航决策”的分层思路,解决跨房间导航的视觉关联难题 [ 论文 ] [ GitHub ]
  • [2025] ForesightNav:基于场景想象的探索策略,用于机器人在未知环境中高效导航 [ 论文 ] [ GitHub ]
  • [2025] DualMap:在线开放词汇制图系统,使用自然语言理解和导航动态 3D 环境 [ 论文 ] [ GitHub ]
  • [2025] WMNav:将视觉语言模型集成到世界模型中以实现对象目标导航 [ 论文 ] [ 项目 ] [ GitHub ]
  • [2025] UniGoal:迈向通用零样本目标导向导航 [ 论文 ] [ 项目 ] [ GitHub ]
  • [2025] CityNavAgent:具有分层语义规划和全局记忆的空中视觉和语言导航 [ 论文 ] [ GitHub ]
  • [2025] VL-Nav:基于空间推理的实时视觉语言导航 [ 论文 ]
  • [2025] HA-VLN:具有动态多人交互、真实世界验证和开放排行榜的离散-连续环境中人机感知导航基准 [ 论文 ] [ 项目 ]  [ GitHub ]
  • [2025] FlexVLN:灵活适应多样化视觉和语言导航任务 [ 论文 ]
  • [2025] 3D-Mem:用于具身探索和推理的 3D 场景记忆 [ 论文] [ 项目 ] [ GitHub ]
  • [2025] EfficientEQA:一种高效的开放词汇具体化问答方法 [ 论文
  • [2025] 用于安全和平台感知机器人导航的学习感知前向动力学模型 [ 论文 ] [ GitHub]
  • [2025] 室内体现人工智能中的语义映射——全面综述及未来方向 [ 论文 ]
  • [2025] TRAVEL:用于视觉和语言导航的免训练检索与对齐 [ 论文 ]
  • [2025] VR-Robo:用于视觉机器人导航和运动的真实到模拟到真实的框架 [ 论文 ]
  • [2025] NavigateDiff:视觉预测器是零样本导航助手 [ 论文 ]
  • [2025] MapNav:一种通过带注释的语义图实现的新型记忆表征,用于基于 VLM 的视觉和语言导航 [ 论文 ]
  • [2025] OpenFly:用于空中视觉语言导航的多功能工具链和大规模基准测试 [ 论文 ]
  • [2025] 连续环境中的地面视点视觉和语言导航 [ 论文 ]
  • [2025] 基于 LLM 推理的运动代理动态路径导航 [ 论文 ]
  • [2025] SmartWay:增强型航点预测和回溯,用于零样本视觉和语言导航 [ 论文 ]
  • [2025] Vi-LAD:视觉语言注意力蒸馏在动态环境中实现社交感知机器人导航 [ 论文 ]
  • [2025] PanoGen++:面向视觉和语言导航的领域自适应文本引导全景环境生成 [ 论文 ]
  • [2025] 视觉想象能改善视觉和语言导航代理吗?[ 论文 ] [ 项目 ]
  • [2025] P3Nav:集成感知、规划和预测的体现导航统一框架 [ 论文 ]
  • [2025] 从所见到未见:使用基础模型重写观察-指令以增强视觉-语言导航 [ 论文 ] [ GitHub]
  • [2025] COSMO:结合选择性记忆实现低成本视觉和语言导航 [ 论文 ]
  • [2025] ForesightNav:学习场景想象以实现高效探索 [ 论文 ] [ GitHub]
  • [2025] NavDP:利用特权信息引导学习模拟到现实的导航扩散策略 [ 论文 ]
  • [2025] VISTA:视觉和语言导航的生成视觉想象 [ 论文 ]
  • [2025] Dynam3D:动态分层 3D 令牌赋能 VLM 实现视觉和语言导航 [ 论文 ] [ GitHub]
  • [2025] Aux-Think:探索数据高效视觉语言导航的推理策略 [ 论文 ]

2024 😄

  • [2024] E2Map:基于语言模型的自反思机器人导航体验与情感地图 [论文]  [GitHub] 
  • [2024] 移动机器人对大规模室内环境的自主探索和语义更新  [论文]  [GitHub] 
  • [2024] 通过像素引导导航技能连接零样本目标导航和基础模型 [论文]  [GitHub] 
  • [2024] InstructNav:未探索环境中通用指令导航的零样本系统 [论文]  [GitHub] 
  • [2024] NaVILA:用于导航的腿式机器人视觉 - 语言 - 行动模型[论文]   [GitHub] 
  • [2024] ReMEmbR:用于机器人导航的长视界时空记忆构建与推理 [[论文]  [GitHub] 
  • [2024] Aim My Robot:对任何物体的精准局部导航 [论文] 
  • [2024] 标签地图:基于文本的地图用于空间推理和导航与大型语言模型 [论文]  [项目页面] 
  • [2024] MapGPT:用于视觉 - 语言导航的基于地图引导的提示与自适应路径规划 [论文]  [GitHub] 
  • [2024] CANVAS:用于直观人机交互的常识感知导航系统 [论文]  [GitHub] 
  • [2024] VLFM:用于零样本语义导航的视觉 - 语言前沿地图 [论文]  [GitHub] 
  • [2024] 注意错误!检测和定位视觉 - 语言导航中的指令错误 [论文]  [GitHub] 
  • [2024] 从想象中规划:用于视觉 - 语言导航的情景模拟和情景记忆 [论文] 
  • [2024] MC-GPT:通过记忆地图和推理链增强的视觉 - 语言导航 [论文] 
  • [2024] 持续的视觉 - 语言导航 [论文] 
  • [2024] Open-Nav:使用开源大型语言模型在连续环境中探索零样本视觉 - 语言导航 [论文] 
  • [2024] 查找一切:多目标搜索的通用视觉语言模型方法 [论文]  [GitHub] 
  • [2024] NavGPT:在视觉 - 语言导航中使用大型语言模型进行显式推理 [论文]  [GitHub] 
  • [2024] NavGPT-2:释放大型视觉 - 语言模型的导航推理能力 [论文]  [GitHub] 
  • [2024] 带有神经辐射表示的前瞻探索用于连续视觉 - 语言导航 [论文]  [GitHub] 
  • [2024] 通过 3D 特征场实现视觉 - 语言导航的仿真到现实转移 [论文]  [GitHub] 
  • [2024] LangNav:将语言作为导航的感知表示 [论文]  [GitHub] 
  • [2024] 使用大型语言模型模块化构建协作具身智能体 [论文]  [GitHub] 
  • [2024] Navid:基于视频的 VLM 规划视觉和语言导航的下一步 [ 论文 ]
  • [2024] The One RING:机器人室内导航通才 [ 论文 ]
  • [2024] Mobility VLA:基于长上下文 VLM 和拓扑图的多模态指令导航 [ 论文 ]

2023 😲

  • [2023] 通过像素引导导航技能连接零样本对象导航和基础模型 [ 论文 ]
  • [2023] 视觉目标导航的前沿语义探索  [论文]  [GitHub] 
  • [2023] GrASPE:基于图形的多模态融合,用于户外环境中的机器人导航  [论文] 
  • [2023] LANA:用于指令跟踪和生成的语言导航器  [论文]  [GitHub] 
  • [2023] Dreamwalker: 持续视觉语言导航的心理规划  [论文]  [GitHub] 
  • [2023] A2Nav:利用基础模型的视觉和语言能力实现动作感知零样本机器人导航  [论文] 
  • [2023] 基于语义前沿的无训练具体化对象目标导航  [论文] 

二、🔄 英文原版

2025 🐻

  • [2025] 3D-Mem: 3D Scene Memory for Embodied Exploration and Reasoning [ 论文] [ 项目 ]
  • [2025] EfficientEQA: An Efficient Approach for Open Vocabulary Embodied Question Answering [ 论文
  • [2025] Learned Perceptive Forward Dynamics Model for Safe and Platform-aware Robotic Navigation [paper] [project]
  • [2025] Semantic Mapping in Indoor Embodied AI - A Comprehensive Survey and Future Directions [paper]
  • [2025] VL-Nav: Real-time Vision-Language Navigation with Spatial Reasoning [paper]
  • [2025] TRAVEL: Training-Free Retrieval and Alignment for Vision-and-Language Navigation [paper]
  • [2025] VR-Robo: A Real-to-Sim-to-Real Framework for Visual Robot Navigation and Locomotion [paper]
  • [2025] NavigateDiff: Visual Predictors are Zero-Shot Navigation Assistants [paper]
  • [2025] MapNav: A Novel Memory Representation via Annotated Semantic Maps for VLM-based Vision-and-Language Navigation [paper]
  • [2025] OpenFly: A Versatile Toolchain and Large-scale Benchmark for Aerial Vision-Language Navigation [paper]
  • [2025] Ground-level Viewpoint Vision-and-Language Navigation in Continuous Environments [paper]
  • [2025] WMNav: Integrating Vision-Language Models into World Models for Object Goal Navigation [paper] [project]
  • [2025] Dynamic Path Navigation for Motion Agents with LLM Reasoning [paper]
  • [2025] SmartWay: Enhanced Waypoint Prediction and Backtracking for Zero-Shot Vision-and-Language Navigation [paper]
  • [2025] Vi-LAD: Vision-Language Attention Distillation for Socially-Aware Robot Navigation in Dynamic Environments [paper]
  • [2025] UniGoal: Towards Universal Zero-shot Goal-oriented Navigation [paper] [project]
  • [2025] PanoGen++: Domain-Adapted Text-Guided Panoramic Environment Generation for Vision-and-Language Navigation [paper]
  • [2025] Do Visual Imaginations Improve Vision-and-Language Navigation Agents? [paper] [project]
  • [2025] HA-VLN: A Benchmark for Human-Aware Navigation in Discrete-Continuous Environments with Dynamic Multi-Human Interactions, Real-World Validation, and an Open Leaderboard [paper] [project]
  • [2025] FlexVLN: Flexible Adaptation for Diverse Vision-and-Language Navigation Tasks [paper]
  • [2025] P3Nav: A Unified Framework for Embodied Navigation Integrating Perception, Planning, and Prediction [paper]
  • [2025] Unseen from Seen: Rewriting Observation-Instruction Using Foundation Models for Augmenting Vision-Language Navigation [paper] [project]
  • [2025] COSMO: Combination of Selective Memorization for Low-cost Vision-and-Language Navigation [paper]
  • [2025] ForesightNav: Learning Scene Imagination for Efficient Exploration [paper] [project]
  • [2025] CityNavAgent: Aerial Vision-and-Language Navigation with Hierarchical Semantic Planning and Global Memory [paper] [project]
  • [2025] NavDP: Learning Sim-to-Real Navigation Diffusion Policy with Privileged Information Guidance [paper]
  • [2025] VISTA: Generative Visual Imagination for Vision-and-Language Navigation [paper]
  • [2025] Dynam3D: Dynamic Layered 3D Tokens Empower VLM for Vision-and-Language Navigation [paper] [project]
  • [2025] Aux-Think: Exploring Reasoning Strategies for Data-Efficient Vision-Language Navigation [paper]

2024 🐵

  • [2024] [RSS 24] Navid: Video-based vlm plans the next step for vision-and-language navigation [paper]
  • [2024] [RSS 24] NaVILA: Legged Robot Vision-Language-Action Model for Navigation [paper]
  • [2024] The One RING: a Robotic Indoor Navigation Generalist [paper]
  • [2024] Mobility VLA: Multimodal Instruction Navigation with Long-Context VLMs and Topological Graphs [paper]
  • E2Map: Experience-and-Emotion Map for Self-Reflective Robot Navigation with Language Models [Paper][GitHub]
  • Autonomous Exploration and Semantic Updating of Large-Scale Indoor Environments with Mobile Robots [Paper][GitHub]
  • Bridging Zero-shot Object Navigation and Foundation Models through Pixel-Guided Navigation Skill [Paper][GitHub]
  • InstructNav: Zero-shot System for Generic Instruction Navigation in Unexplored Environment [Paper][GitHub]
  • NaVILA: Legged Robot Vision-Language-Action Model for Navigation [Paper][GitHub]
  • ReMEmbR: Building and Reasoning Over Long-Horizon Spatio-Temporal Memory for Robot Navigation [Paper][GitHub]
  • Aim My Robot: Precision Local Navigation to Any Object [Paper]
  • Tag Map: A Text-Based Map for Spatial Reasoning and Navigation with Large Language Models [Paper][Project Page]
  • Adaptive Zone-aware Hierarchical Planner for Vision-Language Navigation [Paper][GitHub]
  • MapGPT: Map-Guided Prompting with Adaptive Path Planning for Vision-and-Language Navigation [Paper][GitHub]
  • CANVAS: Commonsense-Aware Navigation System for Intuitive Human-Robot Interaction [Paper][GitHub]
  • VLFM: Vision-Language Frontier Maps for Zero-Shot Semantic Navigation [Paper][GitHub]
  • Mind the Error! Detection and Localization of Instruction Errors in Vision-and-Language Navigation [Paper][GitHub]
  • Planning from Imagination: Episodic Simulation and Episodic Memory for Vision-and-Language Navigation [Paper]
  • MC-GPT: Empowering Vision-and-Language Navigation with Memory Map and Reasoning Chains [Paper]
  • Continual Vision-and-Language Navigation [Paper]
  • Open-Nav: Exploring Zero-Shot Vision-and-Language Navigation in Continuous Environment with Open-Source LLMs [Paper]
  • Find Everything: A General Vision Language Model Approach to Multi-Object Search [Paper][GitHub]
  • NavGPT: Explicit Reasoning in Vision-and-Language Navigation with Large Language Models [Paper][GitHub]
  • NavGPT-2: Unleashing Navigational Reasoning Capability for Large Vision-Language Models [Paper][GitHub]
  • Lookahead Exploration with Neural Radiance Representation for Continuous Vision-Language Navigation [Paper][GitHub]
  • Sim-to-Real Transfer via 3D Feature Fields for Vision-and-Language Navigation [Paper][GitHub]
  • LangNav: Language as a Perceptual Representation for Navigation [Paper][GitHub]
  • Building Cooperative Embodied Agents Modularly with Large Language Models [Paper][GitHub]

2023 🦆

  • [2023] Bridging Zero-shot Object Navigation and Foundation Models through Pixel-Guided Navigation Skill [paper]
  • [2023] Frontier semantic exploration for visual target navigation  [论文]  [GitHub] 
  • [2023] GrASPE: Graph based Multimodal Fusion for Robot Navigation in Outdoor Environment [论文] 
  • [2023] LANA: A Language-Capable Navigator for Instruction Following and Generatio [论文]  [GitHub] 
  • [2023] Dreamwalker: Mental planning for continuous vision-language navigation  [论文]  [GitHub] 
  • [2023] A2Nav: Action-Aware Zero-Shot Robot Navigation by Exploiting Vision-and-Language Ability of Foundation Models  [论文] 
  • [2023] How To Not Train Your Dragon: Training-free Embodied Object Goal Navigation with Semantic Frontiers  [论文] 

分享完成~

Read more

GLM-4.6V-Flash-WEB Web界面使用指南,拖图就出结果

GLM-4.6V-Flash-WEB Web界面使用指南,拖图就出结果 你不需要配置环境、不用写一行推理代码、甚至不用打开终端——只要把一张截图拖进浏览器窗口,几秒钟后,它就能告诉你图里写了什么、画了什么、哪里有问题。这不是未来预告,而是你现在就能在本地跑起来的真实体验。 GLM-4.6V-Flash-WEB 是智谱AI最新开源的轻量级视觉语言模型,专为Web端实时交互而生。它不像某些“实验室模型”那样只存在于论文和Benchmark表格里,而是真正做到了:部署快、启动快、响应快、上手更快。一块RTX 3090,一个浏览器,一次拖拽,结果即刻呈现。 本文不讲训练原理,不列参数表格,不堆技术术语。我们只聚焦一件事:怎么用好它的Web界面?从零开始,到稳定产出,每一步都清晰可操作。 1. 为什么说“拖图就出结果”不是宣传话术? 很多多模态模型标榜“支持图文理解”,但实际用起来才发现:要装依赖、改路径、调精度、修CUDA版本、

前端防范 XSS(跨站脚本攻击)

目录 一、防范措施 1.layui util  核心转义的特殊字符 示例 2.js-xss.js库 安装 1. Node.js 环境(npm/yarn) 2. 浏览器环境 核心 API 基础使用 1. 基础过滤(默认规则) 2. 自定义过滤规则 (1)允许特定标签 (2)允许特定属性 (3)自定义标签处理 (4)自定义属性处理 (5)转义特定字符 常见场景示例 1. 过滤用户输入的评论内容 2. 允许特定富文本标签(如富文本编辑器内容) 注意事项 更多配置 XSS(跨站脚本攻击)是一种常见的网络攻击手段,它允许攻击者将恶意脚本注入到其他用户的浏览器中。

详细教程:如何从前端查看调用接口、传参及返回结果(附带图片案例)

详细教程:如何从前端查看调用接口、传参及返回结果(附带图片案例)

目录 1. 打开浏览器开发者工具 2. 使用 Network 面板 3. 查看具体的API请求 a. Headers b. Payload c. Response d. Preview e. Timing 4. 实际操作步骤 5. 常见问题及解决方法 a. 无法看到API请求 b. 请求失败 c. 跨域问题(CORS) 作为一名后端工程师,理解前端如何调用接口、传递参数以及接收返回值是非常重要的。下面将详细介绍如何通过浏览器开发者工具(F12)查看和分析这些信息,并附带图片案例帮助你更好地理解。 1. 打开浏览器开发者工具 按下 F12 或右键点击页面选择“检查”可以打开浏览器的开发者工具。常用的浏览器如Chrome、Firefox等都内置了开发者工具。下面是我选择我的一篇文章,打开开发者工具进行演示。 2. 使用

Cursor+Codex隐藏技巧:用截图秒修前端Bug的保姆级教程(React/Chakra UI案例)

Cursor+Codex隐藏技巧:用截图秒修前端Bug的保姆级教程(React/Chakra UI案例) 前端开发中最令人头疼的莫过于那些难以定位的UI问题——元素错位、样式冲突、响应式失效...传统调试方式往往需要反复修改代码、刷新页面、检查元素。现在,通过Cursor编辑器集成的Codex功能,你可以直接用截图交互快速定位和修复这些问题。本文将带你从零开始,掌握这套革命性的调试工作流。 1. 环境准备与基础配置 在开始之前,确保你已经具备以下环境: * Cursor编辑器最新版(v2.5+) * Node.js 18.x及以上版本 * React 18项目(本文以Chakra UI 2.x为例) 首先在Cursor中安装Codex插件: 1. 点击左侧扩展图标 2. 搜索"Codex"并安装 3. 登录你的OpenAI账户(需要ChatGPT Plus订阅) 关键配置项: // 在项目根目录创建.