一个场景：你想让无人机听懂"飞到那座红色屋顶的左边，绕过塔吊，停在空地上"。 三年前，这需要为一个数据集写一套数据解析、为一个仿真器写一套接口、为一个模型写一套评测脚本。2026 年，清华 THUNLP 联合 OpenBMB 等机构开源的 SimpleNav 说：这套东西应该只需要写一次。

2026 年的具身智能圈有一个微妙的现象：导航 VLA 模型正在以工业级的速度迭代——高德的 ABot-N0/N1 打通了五种导航任务，阿里的 Qwen-RobotNav 用一套权重横扫室内导航、目标追踪甚至自动驾驶，模型参数从 2B 一路卷到 8B。但与之形成鲜明反差的是，支撑这些模型的研究基础设施仍停留在"手工作坊"时代：每个数据集一套坐标系，每个仿真器一套通信协议，每个实验室一套评测脚本。

一个行业内普遍有体感的说法是：复现一篇导航论文的工程成本，常常逼近甚至超过提出一个新想法的成本。这个说法或许难以严格度量，但它指向的事实是硬邦邦的——ABot-N0 背后号称 1690 万条轨迹的数据引擎是闭源的，Qwen-RobotNav 只放出了模型权重而没有完整训练栈。你能读到最好成绩的论文，却搭不起产生最好成绩的流水线。每个团队依然在重复造轮子：转换一遍 TravelUAV 的坐标、适配一遍 AirSim 的相机语义、再写一遍 R2R-CE 的评测循环。

SimpleNav 就是在这样的背景下出现的。它不是又一个刷榜模型，而是一次对"导航研究应该怎么被组织"的回答。

---

一、先看清战场：导航 VLA 正在"基础模型化"

理解 SimpleNav 的价值，得先看它所处的时代坐标。

NavFoM：较早证明视觉语言模型可以直接端到端输出导航动作，在 R2R-CE 上取得当时的最好成绩——R2R（Room-to-Room）是"从 305 房间走到 207 房间"式的经典室内指令导航基准，RxR 是其多语言长指令加强版，而 -CE 后缀（Continuous Environment）代表连续环境版：机器人不再在预先画好的路线图上"跳格子"，而是在连续空间里输出真实坐标，难度和真实感都上了一个台阶；

ABot-N0（高德）：把点目标、物体目标、指令跟随、POI 目标、人物跟随五种任务统一进一个架构，号称 1690 万条训练轨迹，并部署到宇树 Go2 机器狗上；

Qwen-RobotNav（阿里）：单一权重覆盖五大领域，8B 版本在 R2R-CE 验证集未见过场景（Val-Unseen）上达到 72.1% 成功率（官方口径），训练语料达 1560 万样本。

这个趋势和自然语言处理当年的"预训练大模型统一下游任务"几乎同构：当模型足够通用，竞争的重心就从"算法创新"转向"数据规模 + 工程效率"。

问题也随之而来：当数据成为核心竞争力，数据管线就成了各家的护城河——而护城河必然是闭源的。学术界面对的是一个结构性尴尬：模型在变大，基础设施却在分裂。SimpleNav 的第一个定位因此清晰了：它是开源世界对这场"基础模型化"浪潮的基础设施回应。

---

二、SimpleNav 的解法：把"一次性的研究"变成"可复用的协议"

SimpleNav 的核心思想是一个统一的研究闭环：异构数据集通过显式适配器进入 → 模型组件可替换可组合 → 训练由可移植配置定义 → 基准特定行为封装在评测插件里 → 每个结果都可以追溯到代码、数据、配置、模型检查点和仿真器版本。

翻译成人话，就是它做了四件此前没人系统做的事：

1. 数据协议：导航界的 "USB-C 接口"

这是整个框架最扎实的部分。SimpleNav 定义了一套基于 LeRobot v3 的标准数据格式，并把存储、模型输入、预测目标三者分离：

• 存储层：每个观测只存一个绝对位姿（位置和朝向共四个数），坐标系语义由数据集适配器声明。这意味着 AirSim 的 NED 坐标系和 Habitat 的坐标约定可以在同一框架下共存，而不会在转换中互相污染——这正是以往跨数据集研究最容易翻车的地方；

• 模型层：历史信息不是简单堆帧，而是从冗长的视觉历史中选取关键帧。SimpleNav 直接复用了银河通用 NavFoM 提出的采样策略 BATS（Budget-Aware Token Sampling）：它按一条"遗忘曲线"工作——越靠近当前帧的帧保留概率越大，采样分布还随 token 预算自适应伸缩，预算紧就多留最新关键帧，预算松就多留历史帧。为什么需要它？想象一条十分钟的导航轨迹：每秒一帧就是六百张图，直接喂给模型会瞬间撑爆上下文窗口，而且大量帧是"直线前进 30 秒"这样的冗余信息。BATS 做的事情类似人类导航员的记忆——你记不住沿途每一帧，但记得"在第二个路口左转后看到的那个广场"；

• 动作层：预测目标是形状为"步数 × 4"的未来动作块（每步是"前进量、横移量、升降量、转向量"四个数；当前 Release 01 固定为 8 步，即 [8, 4]），且每个路点都独立锚定在当前位姿上。这个细节值得展开：假如第 2 个路点相对于第 1 个路点的预测位置给出，那么第 1 个路点的预测误差会沿路点链一路传导放大，五步之后轨迹可能已完全飘离意图。而全部锚定在当前真实位姿上，每个预测都是一次"独立观测"——前一步错了，不连累后一步。再叠加"机体坐标系相对运动"这个选择（而非世界坐标系绝对坐标），模型对全局定位漂移天然免疫：即使定位模块给出的绝对位置有累积误差，"向前 2 米、右转 30 度"这类指令依然有效。这是长程导航稳定性的隐形基石。

配套的还有轨迹增强工具、AirSim 图像采集工具、数据校验与修复工具。一句话：它把"数据准备"这个占研究工作量大半的环节，变成了调用命令行工具。

2. 模型：务实的"强主干 + 轻修饰"

模型侧 SimpleNav 没有做激进的架构创新，而是选择了最务实的组合：

• 主干：Qwen3.5-4B——注意这是 Qwen3.5 系列的原生多模态模型，SigLIP 系列视觉编码器在预训练阶段就与语言模型统一训练，而非后期拼接视觉塔。这让它比"外挂式"视觉语言模型在跨模态空间推理上有天然优势；

• 长历史选择（BATS）：按"遗忘曲线"从长程历史中抽取关键帧（机制见数据协议一节），解决长程导航的上下文爆炸；

• TVI（Temporal-Viewpoint-Indexed Tokens，时序-视角索引标记，与 BATS 同出自 NavFoM）：把"什么时候看到的"和"从哪个相机看到的"显式编码进输入。没有它，模型面对四路相机的历史帧时，"左边第三帧里的沙发"和"右边最新帧里的沙发"只是两堆无法区分的视觉标记——视角身份和时间顺序的缺失正是多相机导航模型常见的失效模式；

• 视觉标记缓存：历史帧的视觉编码一次计算、多次复用，避免重复跑视觉编码器，显著降低推理成本；

• 扩散动作头：用扩散模型输出连续动作块，与主流 VLA（π0、ABot 系列）的做法对齐。

这种"克制的架构"是一种清醒：当主干能力足够强时，框架的价值在于让主干稳定地吃到正确的数据，而不是发明新结构。

3. 训练与评测：配置即实验，且横跨两种形态

训练侧由配置文件驱动，支持单数据集、多数据集混合、分布式训练，同一份配置可以从个人工作站搬到计算集群。评测侧一口气支持 6 个基准——OpenFly、TravelUAV、AerialVLN、EVT-Bench、R2R-CE、RxR-CE，且评测文档为每个基准明确标注了仿真器后端：前三个空中基准走 AirSim，EVT-Bench 与 VLN-CE 走 Habitat。框架总览图里还画上了第三个后端 UnrealZoo——那是 ICCV 2025 发布的 UE5 开放世界仿真平台，但 Release 01 Benchmarks中没有任何一个基准用到它，仓库里找不到对应的评测配置和资源包，属于"图上列了、文档没写"的状态。

值得单独强调的是它的跨形态覆盖：前四个基准是无人机，后两个是地面室内导航，EVT-Bench 还是人物跟随。多数已有框架只盯单一平台，而 SimpleNav 的数据协议从设计上就要求适配器声明坐标系和平台语义，因此空中和地面可以在同一个训练循环里共存。这为"一个模型通吃多种机器人"留下了工程上的接口。

这意味着什么？意味着跨基准对比第一次可以在同一套代码、同一个模型、同一种指标口径下进行。在此之前，论文间的数字往往隔着不可比的数据处理和评测细节——这也是导航领域结果乱象丛生的根源之一。

---

三、一份需要冷静阅读的成绩单

看数字之前先明确两件事。第一，SimpleNav 是研究框架，不是性能冠军——官方坦承"除数据和任务接口的必要适配外，不对任何单一基准做任务特定的性能优化"。第二，图片下方的表只取最关键的指标成功率（SR，机器人终点落在目标附近的比例，越高越好）；官方完整表格里还有一组口径值得知道：NE 是终点到目标的平均距离，惩罚差之毫厘；OS/OSR 是"到过就算"的宽松成功率——路径上任意时刻进入过目标范围即算成功，不必停在终点，不同基准分别记作 OS 和 OSR；SPL 在成功率之上计入路径效率，惩罚绕路；nDTW 与 SDTW 衡量预测路径与参考路径的形状相似度——前者只看"走得像不像"，后者只在导航成功时才计分，等于把"走得像"和"走得到"拧成一个数。

基准	关键指标	SimpleNav	同期专用模型（参考）
OpenFly（见过场景）	成功率	52.8%	—
TravelUAV	成功率	22.4%	—
AerialVLN-S（见过场景）	成功率	8.4%	—
R2R-CE（未见过场景）	成功率	49.2%	Qwen-RobotNav-4B 69.5%，ABot-N0 66.4%
RxR-CE（未见过场景）	成功率	58.4%	Qwen-RobotNav-4B 75.2%
EVT-Bench（人物跟随）	成功率	82.8%	ABot-N1 90.1%*

* 来自高德官方发布的ABot-N1 的 arXiv 技术报告。

解读：

1. R2R-CE / RxR-CE 上有 15–20 个点的差距。从公开信息看，主要来源很可能是数据规模和训练配方的差距——对手用的是 1560 万样本的多任务语料加多阶段课程学习，而 SimpleNav 目前公开的是单数据集配方（其 VLN-CE 指南明确仅用 RxR 训练数据），混合训练配方还在路线图里。但诚实地补一句：严格归因需要受控消融实验，模型容量和动作表示方式等框架内因素不能完全排除——框架好不好，最终要靠混合配方发布后的成绩来证明。

2. AerialVLN-S 的 8.4% 暴露了空中导航的真实难度——长距离、弱定位、大场景，这个领域基线本来就低。数字难看，但胜在诚实。

3. EVT-Bench 82.8% 说明框架的下限不低：不做任何针对性优化，人物跟随这类感知主导的任务也能到可用水位。

这份成绩单的真正价值不是数字本身，而是它是可复现的：每个数字背后都有公开的配置、模型检查点和逐回合的评测记录。在"论文数字满天飞、代码放不出来"的当下，这本身就是一种立场。

---

四、拉远看：为什么"标准化"本身就是竞争力

把 SimpleNav 放进更大的图景，它是三条线索的交汇点：

线索一：LeRobot 效应。 Hugging Face 的 LeRobot 正在机器人操作领域做同样的事——统一数据格式、统一训练接口。SimpleNav 把 LeRobot v3 引入导航领域，等于宣布"操作和导航终将共享同一套数据基建"。当机械臂抓取和机器人导航的数据都躺在同一种文件格式里，跨形态机器人的联合训练在工程上就不再是幻想。

线索二：开源对闭源的基础设施制衡。 ABot-N0 背后是高德，Qwen-RobotNav 背后是阿里——它们的数据引擎和训练管线注定闭源。历史经验（Linux 之于各家 Unix、PyTorch 之于大厂内部框架）反复证明：模型可以闭源，但研究基础设施最终往往被开源吞噬，因为学术界的复现需求不可遏制。SimpleNav 赌的是同一件事。

线索三：评测即科学。 SimpleNav 把"结果可追溯到代码、数据、配置、模型检查点、仿真器版本"写进愿景，指向的是导航研究的深层痛点——太多论文的改进无法归因：是数据清洗带来的？是坐标系对齐带来的？还是模型真的更强了？当一切版本化，归因才成为可能，科学才能积累而非重复。

但也必须清楚它的边界：

• 它目前主要活在仿真器里。六个基准的闭环评测全部在仿真环境中完成，官方自己也把"执行器与仿真器不匹配"列为风险。从仿真到真实世界的感知差异、动力学差异、延迟问题，是这个框架尚未真正面对的战场；

• 它是研究工具而非安全认证的系统。官方明确警告不得将模型输出作为唯一控制依据，避障、失效保护、合规性均无保证。这种克制的风险提示，反而比很多"官宣量产"的发布更值得信任；

• 它的生态还很小。说它是"标准"为时尚早——它现在更像一份高质量的参考实现，能否成为领域事实标准，取决于社区是否愿意把适配器和插件写进来。

---

五、小算力研究者的上手路线

如果你手头的算力是一台显存不到16G级别的机器，SimpleNav 的正确打开方式是分层利用：

• 本地（处理器即可）：跑通数据转换、轨迹增强、数据集校验统计工具链。这是零显卡门槛、却能让你彻底吃透数据协议的部分——而数据协议恰恰是这套框架含金量最高的设计；

• 云端（按小时租显卡）：把本地准备好的数据传上去跑官方 OpenFly / R2R-CE 配方。训练是资源问题，不是技术问题，几小时的云端高端显卡租金就能换到完整可复现的训练经验；

• 进阶玩法：框架的主干是可替换的——用低秩微调（QLoRA）一个小视觉语言模型做低成本实验、把自己的数据集写成一个适配器接进来、给新基准写一个评测插件——这三件事任意做成一件，就是扎实的研讨会论文素材。

对比另一条路（试图复现闭源巨兽）：你会发现 SimpleNav 给你的不是最强的模型，而是一张能看懂强模型如何被造出来的地图。

---

结语：这条路上不缺造火箭的人，缺修路的人

在模型参数从亿级蹿到几十亿级的这两年，导航研究有一个被忽略的常识：没有人靠一次推理就能赢下导航任务——导航是一步一步走出来的。而走出来的前提是：路得先存在。

SimpleNav 做的就是这样一件不讨巧的事：把每条数据集各自的羊肠小道，接成一张有路标、有里程碑、谁都能上路的路网。它不承诺最快的车速，但承诺任何一辆车——哪怕是你我在车库里攒的那台——都能找到匝道口。

当然，一条公路的价值不取决于设计图，而取决于有多少车真的在上面跑。接下来一年里，有多少适配器、多少模型检查点、多少篇复现论文从这套协议里长出来，决定了它是会成为导航领域的"通用路基"，还是一条修得漂亮却车流稀少的示范路。

在一个人人追逐刷榜成绩的时代，缺的不是造火箭的人，而是把路修平的人。

---

参考资料：OpenBMB/SimpleNav GitHub 仓库及文档；ABot-N0/N1、Qwen-RobotNav 公开技术报告与基准结果；Qwen3.5 系列技术解析。