HumanoidVLN：面向多样人形机器人的物理仿真视觉-语言导航基准
HumanoidVLN 是基于 NVIDIA Isaac Sim 的物理仿真平台与基准测试，针对人形机器人视觉-语言导航（VLN）设计。它支持四种不同身高（1.17m–1.80m）、下肢自由度 10–12 的人形机器人，通过分层控制栈实现双足运动。基准包含 933 个碰撞感知参考轨迹，每个轨迹配备一条细粒度指令和三种风格化变体。实验中 JanusVLN 平均成功率最高（43.55%），20 个场景虚实迁移测试中导航误差相关度达 r=0.935。
现有的视觉-语言导航（VLN）基准大多围绕轮式智能体设计，无法覆盖人形机器人在物理世界中面临的独特挑战。双足运动带来的动力学约束、不同平台之间的人形形态差异，以及行进过程中相机抖动造成的观察失真，都使得人形机器人在执行 VLN 任务时更加复杂。为此，来自多所机构的研究团队提出了 HumanoidVLN——一个物理接地的人形机器人 VLN 仿真平台和基准测试，为这一方向提供了统一评估框架。
HumanoidVLN 构建于 NVIDIA Isaac Sim 之上，采用可扩展的人形机器人配置。研究者已在四种机器人上完成演示：Unitree G1、Unitree H1、Internal-A 和 Internal-B。这些机器人身高范围覆盖 1.17 米至 1.80 米，下肢自由度从 10 到 12 不等。平台使用分层控制栈，将强化学习运动策略与可替换的 PD 或 MPC 路径跟踪器相结合，使得新机器人或新的 VLN 模型可以低成本集成。目前，研究团队已验证该平台与 NaVILA、DualVLN、StreamVLN 和 JanusVLN 等主流 VLN 模型的兼容性。
在环境构建方面，HumanoidVLN 从艺术家设计的场景和 3D 高斯泼溅（3D Gaussian Splatting）重建结果中筛选可用空间，要求可导航面积超过 100 平方米。指令数据采用多智能体流水线生成：由生成器产生指令，审查器校验，改写器生成不同风格的变体，并加入人工审核环节。最终得到 933 个碰撞感知的参考轨迹，每个轨迹配有细粒度指令，以及正式、自然、随意三种粗粒度风格变体。
在四个 VLN 模型和四种人形机器人组合的实验评估中，JanusVLN 表现最佳，平均成功率达到 43.55%，nDTW 达到 48.38。为了评估仿真到现实的可迁移性，研究团队使用 DualVLN 和 Unitree G1 人形机器人进行了 20 个场景的试点实验。结果显示，仿真中的导航误差与真实世界结果高度相关（r=0.935），平均绝对误差为 0.68 米，平均轨迹相似度为 0.782（±0.188）nDTW。这组实验揭示了 VLN 模型、控制器和人形机器人在真实物理执行条件下的相互作用。
论文由 Quan-Dung Pham 等 11 位作者完成，于 2026 年 8 月 13 日提交至 arXiv，分类为机器人学（cs.RO），编号 arXiv:2608.12860。研究团队表示，代码、基准数据和相关资料将在论文被接受后于项目网站 https://humanoid-vln.github.io/ 发布。