具身智能（Embodied AI）中的视觉语言导航（VLN）是连接感知与决策的关键任务。本文梳理了 2023 至 2026 年间该领域的核心论文，涵盖从传统强化学习到基于大模型的端到端导航方案。收录内容来自 CVPR、ICRA、RSS 等顶会及 arXiv，旨在帮助研究人员快速追踪最新进展。
2026 年
- SeqWalker：基于分层规划的时序视野视觉语言导航方法 论文 | 代码
- 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 | 代码
- 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 | 代码
- ASCENT：实现楼层感知的零样本物体目标导航 论文 | 代码
2025 年
- 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 | 代码
- NaviTrace：评估视觉语言模型在真实世界场景中的导航能力 论文 | 代码
- AstraNav-World：面向具身导航的物理一致性世界模型 论文 | 代码
- OneMap：面向零样本多目标导航的实时开放词汇建图方法 论文 | 代码
- 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 | 代码
- Nav-R2：面向开放词汇目标导航的双关系推理框架 论文 | 代码
- DualVLN：面向泛化视觉语言导航的双系统基础模型 论文 | 代码
- SeeNav-Agent：基于视觉提示与步级策略优化 RL 微调的 VLN 论文 | 代码
- 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 | 代码
- 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 | 代码
- CE-Nav：基于流引导强化学习的跨实体局部导航优化 论文 | 代码
- 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 | 代码
- 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 | 代码
- 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 | 代码
- 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 | 代码
- 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 | 代码
- 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 | 代码
- UniGoal：迈向通用零样本目标导向导航 论文 | 项目 | 代码
- 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 | 代码
- VL-Nav：基于空间推理的实时视觉语言导航 论文
- 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 | 代码
- FlexVLN：灵活适应多样化视觉和语言导航任务 论文
- 3D-Mem：用于具身探索和推理的 3D 场景记忆 论文 | 项目 | 代码
- EfficientEQA：一种高效的开放词汇具体化问答方法 论文
- 安全平台感知导航模型：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 | 代码
- 室内体现人工智能综述：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
- TRAVEL：用于视觉和语言导航的免训练检索与对齐 论文
- 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
- NavigateDiff：视觉预测器是零样本导航助手 论文
- 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
- 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
- 地面视点导航：连续环境中的地面视点视觉和语言导航 论文
- LLM 路径导航：基于 LLM 推理的运动代理动态路径导航 论文
- 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
- 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
- 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
- 视觉想象改进导航：视觉想象能改善视觉和语言导航代理吗？ 论文 | 项目
- P3Nav：集成感知、规划和预测的体现导航统一框架 论文
- Seen-Unseen：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 | 代码
- COSMO：结合选择性记忆实现低成本视觉和语言导航 论文
- 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
- VISTA：视觉和语言导航的生成视觉想象 论文
- Dynam3D：动态分层 3D 令牌赋能 VLM 实现视觉和语言导航 论文 | 代码
- Aux-Think：探索数据高效视觉语言导航的推理策略 论文
2024 年
- 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 | 代码
- AutoX-SemMap：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 | 代码
- Pixel-Navigator：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 | 代码
- InstructNav：未探索环境中通用指令导航的零样本系统 论文 | 代码
- NaVILA：用于导航的腿式机器人视觉 - 语言 - 行动模型 论文 | 项目
- ReMEmbR：用于机器人导航的长视界时空记忆构建与推理 论文 | 代码
- Aim My Robot：对任何物体的精准局部导航 论文
- Tag Map：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
- 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 | 代码
- CANVAS：用于直观人机交互的常识感知导航系统 论文 | 代码
- VLFM：用于零样本语义导航的视觉 - 语言前沿地图 论文 | 代码
- 指令错误检测：注意错误！检测和定位视觉 - 语言导航中的指令错误 论文 | 代码
- 情景模拟记忆：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
- MC-GPT：通过记忆地图和推理链增强的视觉 - 语言导航 论文
- 持续导航：持续的视觉 - 语言导航 论文
- 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
- Find Everything：查找一切：多目标搜索的通用视觉语言模型方法 论文 | 项目
- 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 | 代码
- NavGPT-2：释放大型视觉 - 语言模型的导航推理能力 论文 | 代码
- HNR-VLN：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 | 代码
- Sim2Real-VLN-3DFF：通过 3D 特征场实现视觉 - 语言导航的仿真到现实转移 论文 | 代码
- LangNav：将语言作为导航的感知表示 论文 | 代码
- Co-LLM-Agents：使用大型语言模型模块化构建协作具身智能体 论文 | 代码
- Navid：基于视频的 VLM 规划视觉和语言导航的下一步 论文
- The One RING：机器人室内导航通才 论文
- Mobility VLA：基于长上下文 VLM 和拓扑图的多模态指令导航 论文