具身視覺與語言導航的綜合調查及系統性真實世界評估
該綜述系統梳理了具身視覺與語言導航（VLN）的研究現狀，將現有方法沿動作範式（層次化與整體化）和模型範式（判別式與生成式）兩個維度進行分類，並分析了各自的優缺點。作者在物理機器人平台上對代表性配置開展了真實世界評估，發現單一RGB方法在模擬中成功率為61%，但在真實環境中降至22%，而層次化框架達到51%，顯示出更強的魯棒性。最後指出了感知、決策與控制方面的關鍵挑戰。
近日，一篇發表於IEEE TASE 2026的綜述論文對具身視覺與語言導航（Vision-and-Language Navigation, VLN）領域進行了全面梳理與系統性真實世界評估。該論文由Liuyi Wang等11位作者共同完成，收錄於arXiv預印本（arXiv:2607.09792）。
VLN旨在讓機器人通過融合自然語言理解與視覺感知，以數據驅動方式實現導航。現有方法大多依賴高度結構化模型和強先驗假設，在開放真實環境中魯棒性不足。該綜述為VLN提供了系統的方法論分類和真實世界驗證。
論文沿兩個正交維度組織當前最先進方法：動作範式包括層次化框架（將導航分解為高層規劃與底層控制）和整體化框架（端到端學習）；模型範式則區分判別式方法（如基於匹配的路線追蹤）和生成式方法（如利用語言模型生成動作序列）。論文對各類方法的優劣勢進行了深入分析。
為進一步驗證VLN系統的實際表現，研究團隊在物理機器人平台上部署了若干代表性配置，並在10個多樣化真實場景中開展實驗。結果揭示了模擬環境與真實部署之間的巨大性能差距：例如，一種典型的僅使用RGB圖像的整體化方法，在模擬測試中成功率達61%，但在真實環境中驟降至22%；相比之下，層次化框架在真實環境中實現了51%的成功率，表明其在評估設置下具有更強的魯棒性。
最後，論文指出了未來研究需重點突破的幾個關鍵挑戰：感知層面如何處理複雜光照、遮擋與動態變化；決策層面如何融合語言指令與實時環境反饋；控制層面如何實現精確的動作執行。這些方向為VLN走向實際應用指明瞭道路。此外，論文還討論了當前評估基準的侷限性，並建議未來工作應關注更廣泛的場景和更魯棒的算法。