DA-Nav：98.15%纠偏率的城市级长程导航新突破
商业地图可以为机器人提供“前方右转”这类基础导航指令，但无法直接告诉机器人在当前场景中应该从哪个位置转向、沿哪一侧通过。即便已经规划好了全局路线，控制误差、地面路况变化以及动态障碍物等因素，都可能让机器人在行进过程中逐渐偏离预定路径。从系统层面来看，这意味着“规划出一条路径”并不等同于“这条路径可以被顺利执行”，这正是城市级长程导航从“路线规划”走向“真实闭环执行”时面临的核心难题。
针对这一行业痛点，相关团队推出了DA-Nav，一套面向城市级长程场景的方向感知视觉语言导航框架。DA-Nav将商业导航指令解析、第一视角空间理解以及偏航恢复能力整合到了同一条决策链路中，让机器人不仅能够理解“应该往哪个方向走”，还能实时判断“当前是否已经偏离路线”，并且在出现偏差后主动回到正确的行驶路径上。这一设计的核心突破在于，让导航系统具备了执行过程中的自我校正能力。
打破指令与动作的认知鸿沟
对于人类而言，“前方右转”是一条足够清晰的指令，我们可以结合路口结构、自身朝向以及道路形态，自然判断出下一步应该通过的位置。但这一认知过程本质上依赖于人类对三维空间的完整理解，而非单纯的语言文本。因此，这类面向人类认知设计的方向指令，对于机器人来说仍然过于抽象，无法直接转化为可执行的局部运动轨迹。
DA-Nav没有让视觉语言模型直接预测连续的三维坐标，而是将机器人第一视角捕捉到的道路空间划分为多个候选区域，让模型先在当前画面中判断出接下来应该经过的具体位置，再由底层控制模块将这些空间落点转化为可执行的运动轨迹。这一机制的关键意义在于，让语言指令第一次被稳定映射到了具体的“空间决策点”，而非抽象的语义概念。
简单来说，DA-Nav的空间落点机制让模型不再凭空“画出一条完整的路线”，而是在自身看到的真实场景中连续指出：下一步走这里，再下一步走那里。这一变化将视觉语言模型的“语义理解能力”转化为了实实在在的“空间执行能力”。在此基础上，DA-Nav进一步将导航决策流程组织为：状态判断—动作选择—轨迹预测。机器人会首先判断当前是否偏离了预定路线，再决定继续前进、转向或者进行方向修正，最后生成具体的局部空间目标。这一结构让导航从“直接响应单次指令”，转向了“基于持续状态判断的动态驱动”，建立了从长程方向理解到局部行动执行的清晰且稳定的决策链路。
补齐偏航恢复的训练闭环
在长距离导航任务中，偏航并非偶发的异常情况，而是持续执行过程中的常态。地面打滑、控制精度误差、动态障碍物干扰以及视觉感知波动等多种因素，都可能让机器人逐渐脱离原定的行驶路线。但传统的导航训练数据通常以专家演示的正确轨迹为主，模型学习的是“理想情况下应该如何行驶”，却很少真正经历偏航以及恢复的完整过程。
这类仅学习正确轨迹的模型，虽然可以沿预定路线前进，但往往无法感知自己何时已经偏离路线，更不知道应该如何重新回到正确路径上。为此，DA-Nav专门构建了ReDA恢复感知导航数据集，通过受控的人为扰动主动制造偏航状态，并记录下专家对应的恢复行驶行为。
该数据集总共包含约28.6万条时序样本，其中约12.8万条为偏航恢复相关的数据。大规模的恢复样本让模型在训练阶段就能接触到大量非理想的行驶状态，从而建立起偏航判断与纠正动作之间的稳定关联。从实验结果来看，这一设计有效补齐了长程导航中“错误经验缺失”的关键一环。
完整的DA-Nav模型的偏航纠正成功率高达98.15%；而如果移除恢复数据训练模块，这一指标会骤降至15.46%，整体导航成功率也从59.00%下降至29.71%。这组对比数据说明，偏航纠正并不是模型在执行过程中自然获得的附加能力，只有明确将错误状态和恢复过程纳入训练体系，机器人才能在出现偏航后真正找回正确的行驶路线。DA-Nav由此补齐了长程导航中长期被忽视的一环：不仅训练机器人如何走对路线，更训练它在走错后如何重新回归正轨。
98.15%纠偏率带来的长程闭环能力
在覆盖已知和未知城市场景的长程闭环评测中，DA-Nav取得了59.00%的导航成功率、77.82%的路线完成率以及98.15%的偏航纠正成功率。这组结果的关键意义并不在于整体的导航成功率，而在于其纠偏能力已经接近稳定可靠的水平。
如果将长程导航比作沿着一条细线行走，传统的导航方法更擅长在没有外界干扰时沿线前进；而DA-Nav则进一步具备了在偏离细线后主动靠回正轨的能力。这意味着系统不再仅仅是“能够走对路线”，而是“能够在出现偏航后主动恢复正确路径”。对于长程导航任务而言，每一次成功的偏航纠正，不仅阻止了一次局部的行驶错误，更避免了误差在后续行进过程中的持续累积。机器人不会因为一次短暂的偏移就彻底脱离预定路线，而是能够在整个行驶过程中不断进行状态判断和路径修正。
这种强大的纠偏能力，也让DA-Nav具备了更强的跨场景和跨机器人本体的迁移价值。同一套高层导航策略在没有使用真实世界数据进行微调的情况下，被直接部署到四足机器人和人形机器人上，并完成了超过1200米的真实环境导航验证。这说明DA-Nav系统学习到的并非某一条特定的行驶路径，而是一种可迁移的通用导航决策能力。
升级长程导航的闭环能力
在NavBrain的整体能力链路中，DA-Nav承担的是长程方向理解、局部目标生成以及主动偏航纠偏的核心功能。它的作用并非替代全局规划模块，而是让全局规划的结果能够在实际执行过程中持续成立。DA-Nav会接收地图提供的全局行驶方向，结合机器人的第一视角画面判断下一步应该经过的具体位置，并且在出现执行偏差后主动恢复到正确路线上。由此，整体导航系统形成了一条更加完整的闭环决策链路：理解方向—生成目标—执行轨迹—判断偏差—主动修正。
DA-Nav的研究价值，并不只是将“前方右转”这类抽象指令转化为具体的局部空间落点，也不只是提升单次轨迹预测的准确率。它更关键的贡献在于，将长程导航从“静态的路径生成问题”，推进到了“动态的持续执行问题”。这意味着导航能力不再停留在“知道目的地的位置”，而是进一步具备了在复杂、连续且不断变化的真实环境中，持续走完整条预定路线的能力。
