人形导航：结合基础视觉语义避险与执行偏差校正

人形机器人的导航至关重要，但由于成本和安全问题，对物理硬件的大规模评估通常不切实际，因此模拟基准至关重要。现有的 VLN 基准实现了物理上可执行的导航，但仍然假设（1）所有危险都可以从海拔地图中观察到； (2) 实现的运动与期望的运动紧密匹配。然而，在真实环境中，掉落的瓶子在高程地图上可能不明确，而手机和水溢出可能很难区分；通过运动 策略 进行危险规避可能会导致机器人的实际轨迹偏离 VLN 策略 预期的路径。这种命令执行不匹配可能会累积并导致机器人走向意想不到的位置。为了揭示这些故障模式，我们引入了一个对高度微妙危险和执行偏差进行建模的基准，以及一个闭环 VLN + 运动控制框架，该框架不断地根据机器人的实际状态重新调整高级导航。我们在模拟中评估导航，并进一步验证物理 Unitree G1 人形机器人上的运动 策略。结果表明，语义输入减少了与高程地图中未充分体现的危险的接触，而防偏差则提高了导航成功率。这些发现强调需要在路线完成和危险避免方面联合评估人形导航。