銀河通用聯(lián)合北京大學(xué)、阿德萊德大學(xué)、浙江大學(xué)等頂尖科研團(tuán)隊(duì)，正式推出全球首個(gè)跨本體全域環(huán)視導(dǎo)航基座大模型NavFoM（Navigation Foundation Model）。該模型突破傳統(tǒng)導(dǎo)航系統(tǒng)對(duì)預(yù)設(shè)場(chǎng)景的依賴(lài)，使機(jī)器人能夠在完全未知的環(huán)境中自主決策路徑規(guī)劃與動(dòng)態(tài)避障，標(biāo)志著機(jī)器人空間感知能力邁入全新階段。

相較于今年6月發(fā)布的端到端導(dǎo)航大模型TrackVLA，NavFoM實(shí)現(xiàn)了從被動(dòng)跟隨到主動(dòng)決策的跨越。在甜點(diǎn)配送測(cè)試中，搭載該模型的機(jī)器狗不僅能實(shí)時(shí)追蹤用戶(hù)移動(dòng)軌跡，當(dāng)目標(biāo)進(jìn)入密集人群時(shí)，可自主計(jì)算最優(yōu)避障路徑；當(dāng)視覺(jué)信號(hào)中斷時(shí)，系統(tǒng)能通過(guò)空間記憶重構(gòu)導(dǎo)航策略，確保任務(wù)連續(xù)性。實(shí)驗(yàn)數(shù)據(jù)顯示，機(jī)器狗在跨場(chǎng)景切換時(shí)的決策延遲低于200毫秒，達(dá)到人類(lèi)即時(shí)反應(yīng)水平。

該模型的核心創(chuàng)新在于構(gòu)建了"視頻流+文本指令→動(dòng)作軌跡"的端到端學(xué)習(xí)范式。通過(guò)TVI Tokens技術(shù)，系統(tǒng)為每幀視覺(jué)數(shù)據(jù)添加時(shí)空坐標(biāo)系，使模型能夠理解畫(huà)面間的時(shí)序關(guān)聯(lián)與空間變換。例如在過(guò)街天橋場(chǎng)景中，機(jī)器狗可識(shí)別斑馬線位置、預(yù)判行人動(dòng)向，并動(dòng)態(tài)調(diào)整步態(tài)參數(shù)完成上下樓梯動(dòng)作。BATS策略則通過(guò)注意力機(jī)制實(shí)現(xiàn)計(jì)算資源優(yōu)化，在7B參數(shù)規(guī)模下仍保持毫秒級(jí)響應(yīng)速度。

訓(xùn)練數(shù)據(jù)層面，研究團(tuán)隊(duì)構(gòu)建了包含1200萬(wàn)條多模態(tài)數(shù)據(jù)的超大規(guī)模數(shù)據(jù)集，其中800萬(wàn)條為跨本體導(dǎo)航數(shù)據(jù)，覆蓋四足機(jī)器人、輪式機(jī)器人、無(wú)人機(jī)等12種異構(gòu)平臺(tái)；400萬(wàn)條開(kāi)放問(wèn)答數(shù)據(jù)則強(qiáng)化了模型的空間語(yǔ)義理解能力。通過(guò)視覺(jué)特征緩存技術(shù)，數(shù)據(jù)預(yù)處理效率提升3倍，使模型訓(xùn)練成本降低45%。

在基準(zhǔn)測(cè)試中，NavFoM在VLN-CE、HM3D-OVON等5項(xiàng)國(guó)際權(quán)威指標(biāo)上刷新紀(jì)錄，特別是在零樣本學(xué)習(xí)場(chǎng)景下，目標(biāo)搜索成功率提升27%。真實(shí)環(huán)境部署測(cè)試顯示，輪式機(jī)器人可完成5公里混合路況導(dǎo)航，無(wú)人機(jī)能在復(fù)雜地形中規(guī)劃最優(yōu)飛行路徑，自動(dòng)駕駛系統(tǒng)則實(shí)現(xiàn)了動(dòng)態(tài)障礙物的實(shí)時(shí)避讓。

基于統(tǒng)一架構(gòu)，研究團(tuán)隊(duì)同步推出三個(gè)垂直領(lǐng)域模型：TrackVLA++將長(zhǎng)程跟隨時(shí)間擴(kuò)展至30分鐘，支持跨樓層定位；UrbanVLA接入第三方地圖API，實(shí)現(xiàn)城市級(jí)路徑規(guī)劃；MM-Nav則通過(guò)360°純視覺(jué)方案，解決了透明障礙物檢測(cè)的行業(yè)難題。這些模型已在實(shí)際場(chǎng)景中完成驗(yàn)證，顯示出強(qiáng)大的環(huán)境適應(yīng)能力。