深大团队让机器人听懂指令精准导航！成功率可达72.5%，推理效率提升40%|AAAI2026

UNeMo团队 投稿 量子位 | 公众号 QbitAI 让机器人听懂指令，精准导航再升级！ 深圳大学李坚强教授团队最近联合北京理工莫斯科大学等机构，提出视觉-语言导航（VLN）新框架——UNeMo。 通过多模态世界模型与分层预测反馈机制，能够让导航智能体不仅可以看到当前环境，还能预测接下来可能看到的内容，并据此做出更聪明的决策。 相比主流方法，UNeMo可大幅度降低资源消耗，在未见过的环境中导航成功率可达72.5%，尤其是在长轨迹导航中表现突出。 目前，该论文已入选AAAI2026。 以下是更多详细内容。 语言推理与视觉导航的"脱节困境" 作为Embodied AI的核心任务之一，视觉-语言导航要求智能体仅凭视觉图像和自然语言指令，在未知环境中自主完成目标导航。 而随着大语言模型（LLM）的兴起，基于LLM的导航方法虽取得进展，但仍面临两大关键瓶颈： 双模块协同打造"预判+决策"闭环 于是研究团队提出了UNeMo框架，其核心突破在于构建了"多模态世界模型（MWM）+分层预测反馈导航器（HPFN）"的双向协同架构，将视觉状态推 理与导航决策深度绑定，从根本上解决现有方法的脱节问题。 基于多模态世界模型的未来视觉 ...