研究突破与核心框架 - 深圳大学李坚强教授团队联合北京理工莫斯科大学等机构，提出了名为UNeMo的视觉-语言导航新框架，该论文已入选AAAI2026 [1][5] - 该框架旨在解决现有基于大语言模型的导航方法面临的两大瓶颈：推理模态单一（仅依赖语言，缺乏视觉预判）以及优化目标冲突（推理与导航策略分开训练，适配性差）[9] - 其核心突破在于构建了“多模态世界模型”与“分层预测反馈导航器”的双向协同架构，将视觉状态推理与导航决策深度绑定，形成“预判+决策”闭环 [10][11][19] 技术架构与工作原理 - 多模态世界模型基于条件变分自编码器构建，能接收当前视觉特征、语言指令与候选动作，通过跨注意力机制融合信息，预测未来视觉状态，无需额外标注数据即可通过导航结果反馈持续优化 [12][13][14] - 分层预测反馈导航器采用两阶段机制：首先生成粗粒度候选动作锁定方向，再融合预测的未来视觉状态优化出细粒度动作以修正偏差，提升复杂场景下的导航稳健性 [17] - 该架构实现了推理与决策的动态闭环赋能，MWM的视觉预判提升决策精准度，导航执行结果实时反馈优化MWM预测准确性，两者双向促进持续迭代 [20][21] 性能与效率表现 - 在核心数据集R2R的测试中，UNeMo采用FlanT5-1.5B模型，参数规模仅为对比方法NavGPT2所用FlanT5-5B模型的30% [24] - 资源消耗大幅优化：训练时GPU显存占用从27GB降至12GB，减少56%；推理速度从每步1.1秒提升至0.7秒，效率提升40% [24] - 在模型未见过的测试环境中，导航成功率（SR）达到72.5%，较NavGPT2的71%提升1.5个百分点；路径效率（SPL）从60%提升至61.3% [26][27] 复杂场景与长路径导航优势 - UNeMo在长轨迹导航中表现突出，在未见过的环境中导航成功率可达72.5% [4] - 具体在长路径（长度≥7）导航中，成功率大幅提升5.6%（从64.2%至69.8%），提升幅度是短路径（长度<7）的4.7倍，有效缓解了长距离导航的累积误差 [29][30] 架构通用性与可拓展性 - 团队将UNeMo迁移至不同类型的导航基线（如DUET）与目标导向导航数据集REVERIE进行验证 [31] - 实验结果显示，其在未见场景的导航成功率与远程目标定位成功率指标上均有提升，表明该协同训练架构能灵活适配不同类型的导航系统，具备强可拓展性 [32][33] 总结与意义 - UNeMo通过其协同架构，解决了传统VLN方法推理与决策脱节、资源消耗高的问题 [34] - 该框架具备轻量化配置、高性能、长路径导航稳健以及跨场景适配性强的优势，为视觉-语言导航提供了高效可行方案，有助于服务机器人等实际场景的落地 [34]