SimpleVLN：不改动大模型架构 视觉语言导航达最优并落地机器人
视觉语言导航的研究背景
视觉语言导航（VLN）是让机器人理解自然语言指令，结合摄像头的视觉画面，在陌生环境中完成长距离移动任务，需要同时具备视觉理解、语言语义对齐、空间推理、长时序决策等多项能力。过往绝大多数VLN方案，习惯给模型堆上各类任务专属网络模块，比如专用感知模块、图结构建模、双系统规划器等。随着多模态大模型（MLLM）能力飞速崛起，不少研究把MLLM当作基础组件，再叠加一大堆导航专属模块。这里就抛出一个值得思考的核心问题：在额外增加任务专用架构之前，原生MLLM本身具备的导航潜力，我们真的充分释放了吗？很多改进后的导航系统，我们很难分清性能提升到底来自新增模块，还是大模型本身。本文的目标非常纯粹：不改动MLLM网络权重与架构，只从输入表达、数据集、训练流程入手，挖掘原生大模型的导航上限。
主要贡献
本文提出SimpleVLN框架，完全保留MLLM原生网络架构，设计了单轮决策输入、全局-局部有限内存、动作块预测机制，不需要任何导航专用网络模块，可以直接兼容现有的MLLM推理链路。同时，该框架融合了三类数据：专家演示数据、DAgger模型自生成修正轨迹、大规模合成RL导航任务，构建了IL-DAgger-RL三段式渐进训练流水线，训练目标从模仿专家动作，逐步过渡到直接优化任务完成结果。此外，该框架可以适配多款不同参数量的MLLM主干，在R2R-CE、RxR-CE两大VLN基准刷新SOTA，还完成了真实四足机器人的实物部署测试。
研究方法
SimpleVLN整套体系分为三大核心部分：导航表达范式、导航数据构建、IL-DAgger-RL渐进式优化。
导航表达范式
环境给到机器人的基础原始动作集合一共有四种：向前0.25米、左转15度、右转15度、停止。每一轮决策，视觉输入总数上限固定为N+M+1，和导航回合总长度无关。实验默认最优配置：M=8，N=1。
单轮决策输入
摒弃传统多轮对话不断追加历史画面的做法。每一次模型做决策，都会独立构建一套输入：语言指令 + 当前画面观测 + 采样筛选后的视觉历史。不会把过往全部对话历史不断拼接，彻底规避上下文无限膨胀的问题。
全局-局部历史采样
机器人不断移动，观测画面会持续累积：全部喂给模型会造成上下文过载；只保留最近几帧，又会丢失早期路径信息。所以论文设计了两套互补的历史缓存：局部历史保存紧挨着当前时刻的最近N帧画面，保留短期连续信息；全局历史从更早的历史里均匀采样M帧，保留远距离路径记忆，两者拼接后作为输入给到模型。每一轮决策，视觉输入总数上限固定为N+M+1，和导航回合总长度无关。实验默认最优配置：M=8，N=1。
动作块预测
不再是调用一次模型，只输出一个基础动作。模型一次推理直接输出一整段动作序列，环境顺序执行块内全部动作；执行完毕之后，再重新调用MLLM做下一轮决策。这样做既能减少模型调用频次，还能实实在在提升导航性能。
导航数据构建
为匹配三段式训练，论文构建了三类不同来源的数据：
- 专家演示数据：整合R2R、RxR、ScaleVLN公开轨迹。把原始轨迹转换成决策级别样本，目标输出为专家动作块。
- DAgger策略依赖数据：对比模型跑出的轨迹和真值轨迹。偏差大就采用专家修正轨迹，偏差小保留模型自身轨迹。转换为监督样本，和专家数据合并，缓解模仿学习的分布偏移问题。
- RL合成任务：不再复用已标注训练样本。在原有训练场景的导航图中采样起点、终点，结合物体语义，由MLLM自动生成导航指令，大批量产出全新任务，供给强化学习训练。
IL-DAgger-RL渐进式优化流水线
论文构建了一套完整顺滑的渐进式训练流水线，分为三个阶段：
- 模仿学习IL：复刻专家轨迹，但模型自己跑的时候容易遇到没见过的场景，发生分布偏移。
- DAgger策略依赖：基于模型自身生成的轨迹做监督，缓解分布偏移问题。
- RL强化学习：直接以任务成败为目标优化。
不过，很少有工作把三者串联成一套完整顺滑的渐进式训练流水线。
导航性能验证
该框架可以适配多款不同参数量的MLLM主干，在R2R-CE、RxR-CE两大VLN基准刷新SOTA，还完成了真实四足机器人的实物部署测试。
