Training Generalist Navigation Policies via Action Self-Distillation

📄 arXiv: 2610.17593v1 📥 PDF

作者: Bowen Feng, Keqin Wang, Yulong Yang, Amogh Joshi, Christine Allen-Blanchette, Dhruv Shah, Felix Heide

分类: cs.RO, cs.LG

发布日期: 2026-10-13

备注: Accepted to the 10th Conference on Robot Learning (CoRL 2026)

💡 一句话要点

提出行动自蒸馏方法以解决机器人导航中的语言条件学习问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 机器人导航 语言条件学习 自蒸馏 视觉语言模型 自主学习

📋 核心要点

  1. 现有方法在训练语言条件的机器人导航策略时，依赖昂贵的人工标注，限制了其应用的可扩展性。
  2. 论文提出的行动自蒸馏（ASD）方法，通过利用开源视觉语言模型，消除了对人工标注的需求，提升了导航策略的学习效率。
  3. 实验结果表明，ASD在室内和室外导航任务中均显著提高了成功率，验证了其有效性和实用性。

📝 摘要（中文）

语言为人类指定和推理目标提供了自然的接口，但训练语言条件的机器人策略和推理通常需要昂贵的人工标注。我们提出了一种名为行动自蒸馏（ASD）的方法，用于在没有人工标注语言或推理标签的情况下学习语言条件的机器人导航推理。ASD利用一个开源的视觉语言模型（VLM），作为教师网络和学生策略。在训练过程中，自我教师接收特权轨迹反馈，并推断潜在的导航目标及其目标导向的推理。学生则在推断的导航目标上进行训练，预测未来的自我框架轨迹，并仅基于车载观察提供场景语义、计划和推理的描述。在13个具有挑战性的室内和室外真实导航任务中，我们的方法在室内设置中成功率提高了30%，在多阶段任务中提高了30%，并在室外任务中达到了95%的成功率，验证了特权轨迹反馈能够支持自蒸馏，从而实现可扩展的通用导航策略，而无需人工标注。

🔬 方法详解

问题定义：本论文旨在解决在机器人导航中训练语言条件策略时对人工标注的依赖问题。现有方法通常需要大量的人工标注数据，限制了其在实际应用中的可扩展性。

核心思路：论文提出的行动自蒸馏（ASD）方法，通过利用一个开源的视觉语言模型（VLM），作为教师网络和学生策略，进行自我学习，从而消除对人工标注的需求。自我教师通过特权轨迹反馈推断导航目标，学生则在此基础上进行训练。

技术框架：ASD的整体架构包括两个主要模块：自我教师和学生策略。自我教师负责接收轨迹反馈并推断目标，而学生策略则基于推断的目标进行未来轨迹预测和场景描述。

关键创新：ASD的主要创新在于利用自我教师进行自蒸馏，允许机器人在没有人工标注的情况下学习复杂的导航任务。这一方法与传统依赖人工标注的策略形成了本质区别。

关键设计：在技术细节上，ASD使用了特权轨迹反馈作为损失函数的一部分，优化了学生策略的学习过程。网络结构上，教师和学生网络均基于开源VLM进行设计，确保了推理能力的有效利用。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，ASD方法在室内任务中成功率提高了30%，在多阶段任务中同样提升30%，并在室外任务中达到了95%的成功率。这些结果表明，特权轨迹反馈在自蒸馏中的有效性，显著优于现有的最强基线。

🎯 应用场景

该研究的潜在应用领域包括自主机器人导航、智能家居系统以及人机交互等。通过消除对人工标注的依赖，ASD方法能够在更广泛的环境中实现高效的导航策略学习，具有重要的实际价值和未来影响。

📄 摘要（原文）

Language provides a natural interface for humans to specify and reason about goals, but training language-conditioned robotic policies and reasoning typically requires expensive manual annotations. We propose Action Self-Distillation (ASD), a method for learning language-conditioned reasoning for robotic navigation without human-annotated language or reasoning labels. ASD uses an open-source VLM, which contains broad world knowledge and reasoning capabilities, as both a teacher network and a student policy. During training, the self-teacher receives privileged trajectory feedback and infers the underlying navigation goal together with goal-oriented reasoning. The student is then trained to condition on the inferred navigation goal, predict future ego-frame trajectory, and provide a description of the scene semantics, plan, and reasoning, from onboard observations alone. Across 13 challenging indoor and outdoor real-world navigation tasks, our method improves success rate over the strongest baseline by $30\%$ in indoor settings, $30\%$ on multi-stage tasks, and achieves $95\%$ success rate on outdoor tasks, validating that privileged trajectory feedback can enable self-distillation for scalable generalist navigation policies without human annotations.