NaViRrator: Robot Navigation from Human-Readable Maps through a Learned Visual Route
作者: Ayun Lee, Jiseon Kim, Giseop Kim
分类: cs.RO
发布日期: 2026-09-18
备注: 8 pages, 7 figures
💡 一句话要点
提出NaViRrator以解决机器人导航与人类可读地图的连接问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱六：视频提取与匹配 (Video Extraction) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 机器人导航 人类可读地图 视觉-语言模型 路线推断 模块化设计 自主导航 智能系统
📋 核心要点
- 现有方法在将人类可读地图与机器人导航指令连接时存在困难，导致导航效率低下。
- NaViRRator框架通过RouteScribe方法，将用户指定的起始和目标位置转换为导航指令，分离了路线推断与语言表达。
- 实验证明，NaViRRator在成功率和路径长度加权成功率（SPL）上均优于其他基线方法，显示出更好的导航性能。
📝 摘要（中文）
人类可读地图为指定机器人目的地提供了直观的接口，但将其示意几何与自我中心观察连接起来仍然具有挑战性。本文提出NaViRRator框架，将用户指定的起始和目标位置转换为预训练的视觉-语言导航（VLN）策略的导航指令。其核心方法RouteScribe通过首先在地图图像坐标中生成显式路线框架，将路线推断与语言表达分离，随后由预训练的视觉-语言模型（VLM）将其转换为导航指令。我们通过起始-目标线条件流匹配（SGL-CFM）构建框架，将直线的起始-目标路径序列变形为地图条件下的路线。实验证明，该方法在成功率和路径长度加权成功率（SPL）上优于直接的地图到指令生成、基于A*的框架和高斯源条件流匹配。
🔬 方法详解
问题定义：本文旨在解决如何将人类可读地图的起始和目标位置有效转换为机器人导航指令的问题。现有方法在连接地图几何与自我中心观察时存在显著挑战，导致导航指令生成不够准确。
核心思路：NaViRRator框架的核心思路是通过RouteScribe方法，首先在地图图像坐标中生成显式的路线框架，然后利用预训练的视觉-语言模型将其转换为导航指令。这种设计使得路线推断与语言表达相互独立，提升了系统的灵活性和可替换性。
技术框架：整体架构包括两个主要模块：第一步是使用起始-目标线条件流匹配（SGL-CFM）生成地图条件下的路线框架，第二步是将该框架输入到预训练的视觉-语言模型中，生成最终的导航指令。
关键创新：最重要的技术创新在于RouteScribe方法的提出，它有效地将路线推断与语言生成分离，允许在不重新训练的情况下替换执行器，增强了系统的模块化特性。
关键设计：在技术细节上，SGL-CFM通过变形直线路径序列来适应地图特征，确保生成的路线框架与实际地图相符。此外，预训练的视觉-语言模型在指令生成中起到了关键作用，提升了指令的准确性和可理解性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，NaViRRator在成功率和路径长度加权成功率（SPL）上均优于直接的地图到指令生成、基于A*的框架和高斯源条件流匹配，成功率显著提高，表明该方法在实际应用中具有更高的导航性能和可靠性。
🎯 应用场景
该研究的潜在应用领域包括自主机器人导航、智能家居系统以及无人驾驶汽车等。通过将人类可读地图与机器人导航系统有效连接，NaViRrator能够提升机器人在复杂环境中的导航能力，增强人机交互的直观性与效率。未来，该技术有望在更多实际场景中得到应用，推动智能导航技术的发展。
📄 摘要（原文）
Human-readable maps provide an intuitive interface for specifying robot destinations, but connecting their schematic geometry to egocentric observations remains challenging. We present NaViRRator, a framework that translates user-specified start and goal locations on such maps into navigation instructions for a pretrained vision-and-language navigation (VLN) policy. Its core method, RouteScribe, separates route inference from verbalization by first generating an explicit route scaffold in map-image coordinates, which a pretrained vision-language model (VLM) converts into a navigation instruction. We construct the scaffold with start--goal line conditional flow matching (SGL-CFM), which deforms a straight start--goal waypoint sequence into a map-conditioned route. During execution, the VLN policy receives only the instruction and egocentric observations, while the map and scaffold remain upstream, allowing executor replacement without retraining the map-to-language modules. Real-world experiments show higher success rates and success weighted by path length (SPL) than direct map-to-instruction generation, A*-based scaffolding, and Gaussian-source conditional flow matching. Qualitative results further show clearer salient turns and better preservation of the intended maneuver sequence, supporting route-grounded language as a modular interface between human-readable maps and pretrained navigation policies.