NavSpace: How Navigation Agents Follow Spatial Intelligence Instructions

📄 arXiv: 2510.08173v1 📥 PDF

作者: Haolin Yang, Yuxing Long, Zhuoyuan Yu, Zihan Yang, Minghan Wang, Jiapeng Xu, Yihan Wang, Ziyan Yu, Wenzhe Cai, Lei Kang, Hao Dong

分类: cs.RO, cs.AI, cs.CL, cs.CV

发布日期: 2025-10-09

💡 一句话要点

提出NavSpace基准测试，评估并提升导航Agent的空间智能

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 具身智能 导航Agent 空间智能 基准测试 指令跟随导航

📋 核心要点

  1. 现有导航基准测试侧重语义理解，缺乏对Agent空间感知和推理能力的系统评估。
  2. 提出NavSpace基准，包含多种空间推理任务，用于评估和提升导航Agent的空间智能。
  3. 设计了空间智能导航模型SNav，在NavSpace和真实机器人测试中表现优异，确立了新基线。

📝 摘要（中文）

指令跟随导航是具身智能的关键一步。现有的基准测试主要关注语义理解，而忽略了对导航Agent空间感知和推理能力的系统评估。本文提出了NavSpace基准测试，包含六个任务类别和1228个轨迹-指令对，旨在探测导航Agent的空间智能。在该基准测试上，我们全面评估了22个导航Agent，包括最先进的导航模型和多模态大型语言模型。评估结果揭示了具身导航中的空间智能。此外，我们提出了一种新的空间智能导航模型SNav。SNav在NavSpace和真实机器人测试中优于现有的导航Agent，为未来的工作建立了一个强大的基线。

🔬 方法详解

问题定义：现有指令跟随导航任务主要关注语义理解，忽略了对导航Agent空间感知和推理能力的系统评估。现有方法难以有效处理需要复杂空间推理的导航指令，例如涉及相对位置、方向、距离等信息的指令。这限制了导航Agent在真实世界复杂环境中的应用。

核心思路：本文的核心思路是通过构建一个专门用于评估空间智能的导航基准测试NavSpace，来促进相关研究。同时，设计一种新的导航模型SNav，该模型能够更好地理解和执行涉及空间信息的导航指令。通过基准测试和模型设计，提升导航Agent的空间推理能力。

技术框架：NavSpace基准测试包含六个任务类别，涵盖了不同的空间推理能力，例如：目标定位、路径规划、相对位置判断等。SNav模型可能包含以下模块：1) 视觉感知模块，用于提取环境的视觉特征；2) 空间推理模块，用于理解导航指令中的空间信息，并进行推理；3) 运动控制模块，用于控制Agent的运动。整体流程是：接收导航指令和环境视觉信息，通过空间推理模块生成运动指令，控制Agent运动，直到到达目标位置。

关键创新：NavSpace基准测试的创新在于其专注于评估导航Agent的空间智能，弥补了现有基准测试的不足。SNav模型的创新可能在于其空间推理模块的设计，例如，可能采用了注意力机制来关注指令中与空间信息相关的部分，或者采用了图神经网络来建模环境中的空间关系。

关键设计：具体的参数设置、损失函数和网络结构等技术细节在摘要中没有提及，属于未知信息。推测可能包含：1) 视觉特征提取网络的结构和预训练方式；2) 空间推理模块中注意力机制或图神经网络的具体实现；3) 运动控制模块的控制策略；4) 训练过程中使用的损失函数，例如，可能包含导航成功率、路径长度等指标。

📊 实验亮点

论文提出了NavSpace基准测试，并评估了22个导航Agent，揭示了现有模型在空间智能方面的不足。同时，提出了新的导航模型SNav，并在NavSpace和真实机器人测试中取得了优于现有模型的性能，为未来的研究提供了一个强大的基线。具体的性能提升数据在摘要中未提及，属于未知信息。

🎯 应用场景

该研究成果可应用于机器人导航、自动驾驶、虚拟现实等领域。提升导航Agent的空间智能有助于其在复杂环境中更好地理解和执行导航指令，从而提高导航效率和安全性。未来，该技术可应用于智能家居、物流配送、灾难救援等场景，实现更智能、更可靠的自主导航。

📄 摘要（原文）

Instruction-following navigation is a key step toward embodied intelligence. Prior benchmarks mainly focus on semantic understanding but overlook systematically evaluating navigation agents' spatial perception and reasoning capabilities. In this work, we introduce the NavSpace benchmark, which contains six task categories and 1,228 trajectory-instruction pairs designed to probe the spatial intelligence of navigation agents. On this benchmark, we comprehensively evaluate 22 navigation agents, including state-of-the-art navigation models and multimodal large language models. The evaluation results lift the veil on spatial intelligence in embodied navigation. Furthermore, we propose SNav, a new spatially intelligent navigation model. SNav outperforms existing navigation agents on NavSpace and real robot tests, establishing a strong baseline for future work.