Embodied-Navigator：指向、思考、记忆和对齐以实现高效导航

尽管大型视觉语言模型 (VLM) 具有显着先进的具身导航，但它们的直接部署仍然具有挑战性，因为现有方法经常迫使 VLM 进入不自然的动作空间，这些空间与其 2D 预训练 先验不一致，再加上严格的推理计划和低效的内存管理。为了克服这些限制，我们提出了 TAMP-Nav，一个用于高效具身导航的统一框架。首先，我们引入像素到 3D 动作公式（点），将导航重新公式化为 2D 视觉提示。具体来说，VLM 仅选择 2D 像素，然后将其投影到底层 SLAM 控制器的 3D 坐标中。这种设计自然地将具身执行与 VLM 固有的 2D 视觉功能结合起来。其次，我们提出了一种集成的选择性推理和锚定轨迹记忆机制（Think and Memorize），动态触发思维链并仅在关键节点保留高保真记忆，将冗余轨迹压缩为轻量级时空指标，从而保留关键历史信息并增强时空感知。最后，我们通过组相对策略优化（GRPO）设计了一个高效的两级对齐范式（Align）。通过将全局结果奖励与细粒度过程奖励叠加，这种密集监督将智能体的认知规划与物理环境反馈紧密结合，赋予模型自适应推理能力。实验表明，TAMP-Nav 实现了最先进的性能（例如，R2R-CE 上的 SR 为 66.2%），并且具有高运行时间和样本效率（仅需要 90k 训练轨迹）。