具身导航是什么？让机器人在真实世界里找路和找东西

具身导航（Embodied Navigation）是让有身体的智能体在物理世界中自主移动、找到目标的任务。比如家用机器人听到“去厨房把杯子拿过来”，要能自己从客厅走到厨房、找到杯子；扫地机器人要能规划清扫路线；配送机器人要能在楼宇里找到指定房间。它是具身智能最核心的能力之一。清华大学和北京大学等高校在 2025 年 3 月发表了一篇系统的综述，全面梳理了这一领域的研究进展。

和传统导航有什么区别

传统的机器人导航往往依赖预先建好的精确地图，按照坐标规划路线。具身导航强调的是智能体在与物理世界的交互中获取信息：它可能没有完整的地图，需要边走边看，构建局部地图、定位物体，并根据看到的情况不断优化导航路线。它还要理解语义：知道厨房一般在哪、杯子通常放在桌上而不是地上，而不只是避开障碍物。

常见的任务类型

点目标导航：走到某个指定坐标。物体目标导航：找到某一类物体，比如“找一把椅子”。图像目标导航：找到一张照片里拍的那个地方。视觉语言导航：按照自然语言的路线描述行走，比如“出门右转，走到走廊尽头的第二扇门”。还有边导航边对话、需要和物体交互的移动操作等更复杂的任务。

关键技术和挑战

综述把这一领域的研究归纳为几个关键方面：感知，包括视觉、深度、语义理解和建图；导航策略，从传统的规划方法，到强化学习、模仿学习，再到借助大语言模型和视觉语言模型的零样本导航；以及效率优化，让算法能在机器人有限的算力上实时运行。主要挑战包括：从仿真环境迁移到真实世界时性能下降，环境中有移动的人和物，长距离任务中的记忆和规划，以及对没见过的环境和物体的泛化。

大模型的发展让具身导航进入了新阶段：机器人能够理解更自然、更复杂的指令，利用常识推断目标可能在哪里，这让它离真正走进家庭和城市又近了一步。