現有的視覺-語言導航（VLN）基準大多圍繞輪式智慧體設計，無法覆蓋人形機器人在物理世界中面臨的獨特挑戰。雙足運動帶來的動力學約束、不同平臺之間的人形形態差異，以及行進過程中相機抖動造成的觀察失真，都使得人形機器人在執行 VLN 任務時更加複雜。為此，來自多所機構的研究團隊提出了 HumanoidVLN——一個物理接地的人形機器人 VLN 模擬平臺和基準測試，為這一方向提供了統一評估框架。
HumanoidVLN 構建於 NVIDIA Isaac Sim 之上，採用可擴充套件的人形機器人配置。研究者已在四種機器人上完成演示：Unitree G1、Unitree H1、Internal-A 和 Internal-B。這些機器人身高範圍覆蓋 1.17 米至 1.80 米，下肢自由度從 10 到 12 不等。平臺使用分層控制棧，將強化學習運動策略與可替換的 PD 或 MPC 路徑跟蹤器相結合，使得新機器人或新的 VLN 模型可以低成本整合。目前，研究團隊已驗證該平臺與 NaVILA、DualVLN、StreamVLN 和 JanusVLN 等主流 VLN 模型的相容性。
在環境構建方面，HumanoidVLN 從藝術家設計的場景和 3D 高斯潑濺（3D Gaussian Splatting）重建結果中篩選可用空間，要求可導航面積超過 100 平方米。指令資料採用多智慧體流水線生成：由生成器產生指令，審查器校驗，改寫器生成不同風格的變體，並加入人工稽核環節。最終得到 933 個碰撞感知的參考軌跡，每個軌跡配有細粒度指令，以及正式、自然、隨意三種粗粒度風格變體。
在四個 VLN 模型和四種人形機器人組合的實驗評估中，JanusVLN 表現最佳，平均成功率達到 43.55%，nDTW 達到 48.38。為了評估模擬到現實的可遷移性，研究團隊使用 DualVLN 和 Unitree G1 人形機器人進行了 20 個場景的試點實驗。結果顯示，模擬中的導航誤差與真實世界結果高度相關（r=0.935），平均絕對誤差為 0.68 米，平均軌跡相似度為 0.782（±0.188）nDTW。這組實驗揭示了 VLN 模型、控制器和人形機器人在真實物理執行條件下的相互作用。
論文由 Quan-Dung Pham 等 11 位作者完成，於 2026 年 8 月 13 日提交至 arXiv，分類為機器人學（cs.RO），編號 arXiv:2608.12860。研究團隊表示，程式碼、基準資料和相關資料將在論文被接受後於專案網站 https://humanoid-vln.github.io/ 釋出。