| 属性 | NaVILA | NavGPT-2 | DUET |
|---|---|---|---|
| 发表 | RSS 2025 | NeurIPS 2024 | CVPR 2022 Oral |
| 团队 | NVIDIA + UCSD | Adelaide + Adobe | Inria + Meta AI |
| 技术路线 | VLA 端到端 | LLM 推理导航 | 图 Transformer |
| 参数量 | 7B+（VLM 部分） | 1.5B / 5B | ~180M |
| 硬件需求 | 多卡 A100 | 1×A100（推理） | 1×3090（训练） |
| 开源代码 | ✓（benchmark） | ✓（完整） | ✓（完整） |
| 维度 | NaVILA | NavGPT-2 | DUET |
|---|---|---|---|
| 视觉编码 | VILA vision encoder（端到端） | EVA-02-G（冻结） | Faster R-CNN 预提取 |
| 语言编码 | VLM 内置（LLM） | FlanT5（冻结） | LXMERT 文本编码器 |
| 推理方式 | VLM → 语言动作 | LLM hidden state → 图策略 | 图 Transformer 注意力 |
| 动作空间 | 连续（中间语言 → 关节） | 离散（拓扑图节点） | 离散（拓扑图节点） |
| 层次结构 | 两层（VLA + Locomotion） | 两层（VLM + Policy） | 单层（双尺度融合） |
| 历史建模 | 轨迹视频摘要 | VLM token 序列 | 拓扑图结构 |
注意：三者在 R2R 上的评测设置不完全一致（NaVILA 用 VLN-CE 连续环境，DUET 和 NavGPT-2 用离散 Matterport3D），下表仅供量级参考。
| 指标 (Test Unseen) | NaVILA * | NavGPT-2 (5B) | DUET | 当前 SOTA ** |
|---|---|---|---|---|
| SR ↑ | — | ~44 | 40.05 | ~75 |
| SPL ↑ | — | ~28 | 36.71 | ~67 |
* NaVILA 主要在 VLN-CE-Isaac 上评测，与离散 R2R 不直接可比。
** ScaleVLN (2023)，在 DUET 基础上用合成环境数据扩增。
| 维度 | NaVILA | NavGPT-2 | DUET |
|---|---|---|---|
| R2R 性能 | N/A (VLN-CE) | ★★★★☆ | ★★★★☆ |
| REVERIE 性能 | — | — | ★★★★★ |
| 真机部署 | ★★★★★ | ★★☆☆☆ | ★☆☆☆☆ |
| 可解释性 | ★★★☆☆ | ★★★★★ | ★★☆☆☆ |
| 训练效率 | ★★☆☆☆ | ★★★☆☆ | ★★★★★ |
| 代码复现度 | ★★★☆☆ | ★★★★☆ | ★★★★★ |
| 数据效率 | ★★★☆☆ | ★★★★☆ | ★★★☆☆ |
| 社区影响力 | ★★★☆☆ (新) | ★★★☆☆ | ★★★★★ |
需要从语言指令直接到关节控制；需要 Sim-to-Real 迁移；机器人有 LiDAR + RGB 传感器。NaVILA 是唯一已验证真机部署的方案。
需要人类可理解的导航推理过程；需要多轮语言交互（"你确定应该走这边？"）；标注数据有限但可用 GPT-4V 生成推理数据。NavGPT-2 的 LLM 语言能力是独有优势。
需要在 Matterport3D 上跑标准 benchmark；需要轻量模型快速迭代；作为后续研究（ScaleVLN、ETPNav 等）的基线。DUET 是 VLN 领域的事实标准基础设施。
实际部署可能需要：DUET 的拓扑图框架（长程规划）+ NavGPT-2 的 LLM 推理（可解释）+ NaVILA 的 locomotion policy（真机执行）。三者各有专长，组合使用可能比单独任一更强大。
VLN 技术演进脉络（2018-2025）：
2018-2020：RNN 时代 → Seq2Seq, Speaker-Follower, RCM（单尺度局部推理）
2020-2021：图建模时代 → 引入拓扑图 + 图注意力（PREVALENT, HAMT 雏形）
2022：图 Transformer 成熟 → DUET（双尺度融合，CVPR Oral）
2023：数据规模扩展 → ScaleVLN, ETPNav（合成环境数据扩增）
2024：LLM 范式引入 → NavGPT-2（冻结 LLM + 可解释推理）
2025：真机端到端 → NaVILA（VLA → 关节控制，RSS）