具身视觉与语言导航的综合调查及系统性真实世界评估
该综述系统梳理了具身视觉与语言导航（VLN）的研究现状，将现有方法沿动作范式（层次化与整体化）和模型范式（判别式与生成式）两个维度进行分类，并分析了各自的优缺点。作者在物理机器人平台上对代表性配置开展了真实世界评估，发现单一RGB方法在模拟中成功率为61%，但在真实环境中降至22%，而层次化框架达到51%，显示出更强的鲁棒性。最后指出了感知、决策与控制方面的关键挑战。
近日，一篇发表于IEEE TASE 2026的综述论文对具身视觉与语言导航（Vision-and-Language Navigation, VLN）领域进行了全面梳理与系统性真实世界评估。该论文由Liuyi Wang等11位作者共同完成，收录于arXiv预印本（arXiv:2607.09792）。
VLN旨在让机器人通过融合自然语言理解与视觉感知，以数据驱动方式实现导航。现有方法大多依赖高度结构化模型和强先验假设，在开放真实环境中鲁棒性不足。该综述为VLN提供了系统的方法论分类和真实世界验证。
论文沿两个正交维度组织当前最先进方法：动作范式包括层次化框架（将导航分解为高层规划与底层控制）和整体化框架（端到端学习）；模型范式则区分判别式方法（如基于匹配的路线追踪）和生成式方法（如利用语言模型生成动作序列）。论文对各类方法的优劣势进行了深入分析。
为进一步验证VLN系统的实际表现，研究团队在物理机器人平台上部署了若干代表性配置，并在10个多样化真实场景中开展实验。结果揭示了模拟环境与真实部署之间的巨大性能差距：例如，一种典型的仅使用RGB图像的整体化方法，在模拟测试中成功率达61%，但在真实环境中骤降至22%；相比之下，层次化框架在真实环境中实现了51%的成功率，表明其在评估设置下具有更强的鲁棒性。
最后，论文指出了未来研究需重点突破的几个关键挑战：感知层面如何处理复杂光照、遮挡与动态变化；决策层面如何融合语言指令与实时环境反馈；控制层面如何实现精确的动作执行。这些方向为VLN走向实际应用指明了道路。此外，论文还讨论了当前评估基准的局限性，并建议未来工作应关注更广泛的场景和更鲁棒的算法。