英伟达的机器人新魔咒：一句指令让双足机器人“自由”行动

近期，加州大学研究人员和英伟达在共同发表的新论文中提出“NaVILA模型”，NaVILA的核心创新在于，不需要预先的地图，机器人只需“听懂”人类的自然语言指令，结合实时的视觉图像和激光雷达信息，就可以自主导航到指定位置。

想象一下这样的场景：你早上醒来，家中的服务机器人正在等候你的指令。

你轻轻说道，“去厨房，拿瓶水过来。” 不到一分钟，机器人小心翼翼地穿过客厅，绕开沙发、宠物和玩具，稳稳地站在冰箱前，打开冰箱门，取出一瓶矿泉水，然后轻轻送到你手中。

这一幕曾经只出现在科幻电影中，而现在，得益于NaVILA模型的出现，这正在变成现实。

NaVILA不仅摆脱了对地图的依赖，还进一步将导航技术从轮式扩展到了腿式机器人，使得机器人在更多复杂场景中，具备跨越障碍和自适应路径规划的能力。

在论文中，加州大学研究人员使用宇树Go2机器狗和G1人形机器人进行了实测，根据团队统计的实测结论，在家庭、户外和工作区等真实环境中，NaVILA的导航成功率高达88%，在复杂任务中的成功率也达到了75%。

（使用NaVILA实测机器狗和机器人听指令行动）

这项研究给机器人导航范式带来革新，让机器人的路径规划从“地图依赖”走向“实时感知”。那么，NaVILA采用了什么样的技术原理？它会给机器人带来哪些新的能力？

提出“中间指令机制”，机器人可以自行拆解指令

在传统的VLN（视觉语言导航系统）中，机器人需要依靠激光雷达（LiDAR）和SLAM算法绘制和维护静态地图。无论是家用扫地机器人还是仓储中的AGV小车，这类机器人只能在预先已知的环境中运行。

一旦面临动态环境，比如家中宠物走动、仓库货架更替这类场景，静态地图的效用大幅削弱，机器人必须频繁重绘地图，而这会增加系统成本和计算负担。

但NaVILA不一样，它可以实现“无图导航”。

这主要是通过两套机制来实现的，一种是高层控制器（视觉-语言-行动（VLA）模型），一种是低层控制器。

在高层控制器层面，NaVILA通过视觉-语言-行动（VLA）模型来实现“无图导航”，即通过视觉图像、激光雷达和自然语言的多模态输入，让机器人实时感知环境中的路径、障碍物和动态目标。

这套视觉-语言-行动（VLA）模型分三个工作流：

●输入阶段：机器人会接收自然语言的指令和摄像头的图像，将人类的语言信息和摄像头看到的画面结合起来，识别出路径中的关键目标，比如前方的墙、左边的障碍物、右边的楼梯等；

●中间指令生成：生成一份“路径规划表”，VLA会生成一系列中间的高层动作指令，这些指令可能是“前进50厘米”、“向左转90度”、“迈过障碍物”等，类似于“简化的路径操作说明书”；

●高频控制器调用，它的任务是实时控制每一个关节的运动。

在这套工作流之中，NaVILA的最大亮点是提出了一种“中间指令机制”，这种机制让机器人不需要“死记硬背”每个关节的动作，而是像人类一样，听懂高层的指令后，再自行拆解为具体的行动。

“中间指令机制”可以让机器人听懂用户日常式的交流语言，不同类型的机器人能够根据自己的“身体结构”去实现动作。

通俗来说，传统的导航机器人就像一个“机械的搬运工”，每次你要告诉它“左脚先抬，右脚再抬，前进5厘米”，这种控制方式非常繁琐。

而NaVILA的VLA模型更像一名懂事的助手，你只需要说“向前走50厘米”，它就会自己拆解成“抬左腿、抬右腿、重心前移”等小动作。

（NaVILA是一个两级框架，将高级视觉语言理解与低级运动控制相结合）

高层控制器（VLA）为机器人生成了路径规划表，但“路径规划表”只能告诉机器人往哪里走，却不会告诉它怎么走。

这时就需要一个“低层控制器”来接手，控制机器人具体的关节动作。

假设你让一个小孩学习走路，如果你只告诉他“去客厅”，他会问你“怎么去？怎么迈步？先迈左脚还是右脚？” 在这个场景中，VLA就像家长的语音指令（“去客厅”），而低层控制器就是小孩自己的“肢体控制系统”，它需要根据“去客厅”的目标，控制每只脚的迈出步长、落地角度和重心平衡，以确保自己不摔倒。