EthanYLiang

视觉语言导航（Vision-and-Language Navigation，VLN）让智能体依据自然语言和第一视角观测，在环境中持续选择行动并自主停止。同样的“到达目标”，可以发生在已给出连边的全景导航图、连续三维仿真、空中环境或实体机器人上；任务假设、模型接口和评测尺度随之改变。本文沿任务、方法、指标与执行闭环四条线索，解释这些变化背后的技术问题。

视觉语言导航的评价取决于任务如何定义：沿指定路线到达、寻找描述中的物体、根据对话继续行动，分别需要不同的输入、输出与成功条件。本文梳理代表性数据集和动作空间，推导终点成功、路径效率与路线忠实度指标，并用可复算的轨迹例子解释这些指标之间的差异。

视觉语言导航模型需要把完整指令、当前观测与过去经历转化为下一步行动。本文从带注意力的 Seq2Seq 基线出发，解释跨模态读取、候选动作预测与历史表示，并通过 Recurrent VLN-BERT 和 HAMT 比较固定状态与显式历史两种设计。

视觉语言导航的训练既要学习专家动作，也要应对自身决策造成的状态变化。本文从行为克隆的分布偏移出发，解释 DAgger、Speaker-Follower、策略梯度与 RCM，比较动作监督、合成指令和轨迹奖励如何共同塑造导航策略。

视觉语言预训练通过图文恢复、配对判别和动作监督，为导航策略提供可迁移的表示。本文以 PREVALENT 与 Airbert 为主线，解释代理任务的标签来源、室内图文与路线式数据的构造、顺序负样本，以及预训练参数如何进入在线策略，并结合受控实验区分数据与目标的贡献。

历史记忆可以保存曾经看见的地标，地图进一步组织这些地标所在的位置、连接关系和未探索方向。本文以 DUET 与 BEVBert 为主线，解释在线拓扑建图、全局与局部动作对齐、双尺度分数融合，以及 RGB-D 特征如何形成局部度量地图，并用算例和消融分析说明不同空间表示的作用。

大模型参与视觉语言导航，可以选择图上的下一节点，也可以生成供导航器执行的语言计划，或根据视频直接预测带距离和角度的动作。本文以 NavGPT、MiC 和 NaVid 为主线，分析这三类接口的信息流、训练方式与能力边界，重点解释视觉信息如何进入语言模型、历史如何压缩，以及动作生成如何获得监督。

视觉语言导航部署到机器人，必须同时面对观测变化、候选位置的可通行性和动作执行误差。本文围绕 SmartWay、GVNav、NaVILA 与 Uni-NaVid，解释可通行航点、低视点记忆、纠错与分层执行，以及多任务视频模型的历史压缩和动作接口，并用消融实验分析各模块的作用。

覆盖式路径规划（CPP）要走遍一片区域而不是从 A 点到 B 点，评价标准也完全不同。本文 按「区域怎么被切开」这条轴梳理 CPP 的算法体系，回顾四篇综述二十年的关注点迁移， 并给出六个主流开源实现的实测对比。

轮式机器人（含轮式人形）在地面导航，本质是 2.5D 的全局路径规划问题。本文按地图 表示组织文献，覆盖 2D 栅格、2.5D 高程图、3D 体素、稀疏图与表面表示五条路线，梳理 各自的可通行性估计与规划方法、开源实现和适用边界；再顺着引文关系还原技术演进脉络, 最后给出选型建议和四个可能的研究方向。