纠偏率98.15%！方向感觉醒，第一视角认路的国产AI开挂了

新智元报道

商业地图可以告诉机器人「前方右转」，却无法直接告诉它眼前应该从哪里转、沿哪一侧通过；即使已经生成路线，控制误差、地面变化和动态障碍，也可能让机器人在行进过程中逐渐偏离。

从系统角度看，这意味着「路径被规划出来」并不等价于「路径可以被执行」。

这正是长程导航从「规划正确路线」走向「真实闭环执行」时面临的核心问题。

针对这一问题，星源智提出DA-Nav，一套面向城市级长程场景的方向感知视觉语言导航框架。DA-Nav将商业导航指令、第一视角空间理解和偏航恢复统一到同一条决策链路中，使机器人不仅能够理解「往哪里走」，还能够判断「当前是否走偏」，并在偏差发生后主动回到正确路线。

这一设计的核心变化在于：导航系统开始具备「执行过程中的自我校正能力」。

DA-Nav架构图

突破指令与动作鸿沟

把「前方右转」落到眼前

对于人类来说，「前方右转」是一条足够清楚的指令。人可以结合路口结构、当前朝向和道路形态，自然判断下一步应该从哪里经过。但这一认知过程，本质上依赖人类对三维空间的完整理解，而不是语言本身。

所以，对机器人而言，这类面向人类认知设计的方向指令仍然过于抽象，不能直接转化为局部轨迹。

DA-Nav没有让视觉语言模型直接预测连续三维坐标，而是将机器人第一视角中的道路空间划分为候选区域，让模型先在画面中判断接下来应该经过哪些位置，再由控制模块将这些空间落点转化为可执行轨迹。

这一机制的关键意义在于：语言指令第一次被稳定映射到「空间决策点」，而不是抽象语义。

DA-Nav空间落点机制简单来说，模型不再凭空「画出一条路」，而是在自己看到的场景中连续指出：下一步走这里，再走这里。这一变化将视觉语言模型的「理解能力」转化为「空间执行能力」。

DA-Nav空间落点机制

在此基础上，DA-Nav进一步将导航决策组织为：

状态判断—动作选择—轨迹预测。

机器人首先判断当前是否偏离路线，再决定继续前进、转弯或进行方向修正，最后生成局部空间目标。

这一结构使导航从「直接响应指令」，转向「持续状态判断驱动」。对NavBrain而言，这建立了从长程方向理解到局部行动执行之间更清晰、更稳定的决策链路。

结构化决策

让导航从直接预测走向先判断、再行动

长距离导航中，偏航不是偶发异常，而是持续执行中的常态。换句话说，偏航不是错误，而是系统运行过程中的必然状态。

地面打滑、控制误差、动态障碍和视觉波动，都可能让机器人逐渐离开原定路线。但传统导航数据通常以专家正确轨迹为主，模型学习的是「理想情况下应该怎么走」，却很少真正经历偏航与恢复过程。

这类模型可以沿正确路线前进，却未必知道自己何时已经走偏，更不知道应该如何重新回到路线。

为此，DA-Nav构建了ReDA恢复感知导航数据集，通过受控扰动主动制造偏航状态，并记录相应的专家恢复行为。

模型由此不仅学习如何走对，也系统学习三个问题：

什么时候已经偏航、应该向哪一侧修正，以及如何重新回到正确路线。这使导航学习从「单一正确轨迹学习」，扩展为「包含错误状态的完整经验学习」。

真实路口基础动作对比

ReDA共包含约28.6万条时序样本，其中约12.8万条为恢复数据。大规模恢复样本让模型在训练阶段接触大量非理想状态，并建立偏航判断与纠正动作之间的稳定关联。从实验结果看，这一设计补齐了长程导航中「错误经验缺失」的问题。

完整模型的纠正成功率高达98.15%；去除恢复数据后，这一指标骤降至15.46%，导航成功率也由59.00%下降至29.71%。这组差异意味着，纠偏并不是模型在执行过程中自然获得的附加能力。

只学习正确路线，机器人可能能够走一段；只有把错误状态和恢复过程明确纳入训练，机器人才能在偏航后真正找回方向。

DA-Nav因此补齐了长程导航中长期被忽视的一环：不只训练机器人怎样走对，也训练它走错后怎样回来。

98.15%纠正成功率

提升NavBrain长程闭环上限

在覆盖已见和未见城市场景的长程闭环评测中，DA-Nav取得59.00%的导航成功率、77.82%的路线完成率和98.15%的纠正成功率。这一组结果的关键意义，并不在于整体成功率，而在于「纠偏能力接近稳定可靠」。

DA-Nav跨城泛化与压力测试

其中，98.15%的纠正成功率最能体现这项研究的价值。

如果把长程导航比作沿着一条细线行走，传统方法更擅长在没有干扰时沿线向前；DA-Nav则进一步具备在偏离细线后主动靠回来的能力。这意味着系统不只是「能走对」，而是「能在走偏后恢复正确路径」。

对长程任务而言，每一次成功纠偏，阻止的都不只是一次局部错误，而是误差在后续过程中的持续累积。机器人不会因为一次偏移彻底离开路线，而能够在行进过程中不断判断、不断修正。

这种能力，也让DA-Nav具备更强的跨场景和跨本体迁移价值。

同一高层导航策略在没有使用真实世界数据进行微调的情况下，被部署到四足机器人和人形机器人，并完成超过1200米的真实环境导航验证。

这说明系统学习到的不是「某条路径」，而是一种可迁移的导航决策能力。

从单点决策到长程闭环

DA-Nav升级NavBrain导航能力

在NavBrain的能力链路中，DA-Nav承担的是长程方向理解、局部目标生成与主动纠偏。它的作用不是替代规划模块，而是让规划结果能够在执行过程中持续成立。

它接收地图提供的全局方向，结合机器人第一视角判断下一步应该经过的位置，并在执行偏差发生后主动恢复。由此，NavBrain形成一条更加完整的闭环：

理解方向—生成目标—执行轨迹—判断偏差—主动修正。

DA-Nav的研究价值，不只是将「前方右转」转化成一个局部空间落点，也不只是提升一次轨迹预测的准确率。它更关键的贡献在于：将长程导航从「路径生成问题」，推进为「持续执行问题」。

对NavBrain而言，这意味着导航能力不再停留在「知道目的地在哪里」，而是进一步具备在复杂、连续、不断变化的真实环境中，把一条路线持续走下去的能力。

附论文原文链接：

https://arxiv.org/pdf/2607.11638v1