点击下方卡片，关注「3D视觉工坊」公众号
选择星标，干货第一时间送达
作者供稿直发 | 来源：3D视觉工坊
3D视觉硬件汇总，包括结构光3D相机(支持室内外，焊接，机械臂抓取等场景)，相位偏折术、散斑、机械臂抓取和焊接软件，手持扫描仪(支持定位、重定位、稠密建图)、四足狗和小车定位和导航，底盘。点击->查看详情：
给机器人一张 360° 全景图 ，它就能更可靠地听懂指令、找到路吗？
我们的出发点很直接： 更完整的视觉上下文，应该让导航决策更有依据。 当目标通道位于侧面时，全景能提前呈现入口和后续路线，机器人有机会在额外转身探索之前，就判断该往哪里走。
但实验发现： 沿用以往的VLN训练与执行方式，只把透视图换成全景，收益仍然有限。 问题随之变得清楚——周围的信息已经看见了，导航策略却还没有学会充分利用它。
围绕这个问题，我们来自浙江大学与香港大学的团队提出了 PanoVLN ：让动作规划、训练数据和空间表示一起适应全景。采用 4B 视觉语言主干、RGB-only 视觉输入 ，模型在两大导航基准上取得领先结果，并在真实机器狗上实现更连贯的导航。
PanoVLN：更完整的视觉上下文，为导航提供更充分的决策依据
论文：PanoVLN: Towards Effective Panoramic Vision\-and\-Language Navigation
作者：Zhen Wang、Changpeng Wang、Zhe Liu、Zhangyang Qi、Yuxiang Lu、Zimo Zeng、Donglian Qi、Xi Chen
单位： 浙江大学、香港大学
HomePage: https://wangzhen-w.github.io/PanoVLN/
Code: https://github.com/wangzhen-w/PanoVLN
arXiv: https://arxiv.org/abs/2609.34759
Model: https://huggingface.co/wangzhen-w/PanoVLN
Dataset:https://huggingface.co/datasets/wangzhen-w/PanoVLN
01｜三个关键改动，让全景真正参与决策
看得更全，也要规划得更远
一张全景可以呈现多个方向的路线，为更长时域的动作规划提供依据。例如，路线朝侧面转向时，全景已经能提供下一段移动所需的线索。
短动作目标却可能让这些信息派不上用场。 通往不同方向的路线，开头都可能是“先往前走”。只预测眼前几步，模型主要看正前方，也可能给出正确动作。
我们因此延长训练时的目标动作序列，让预测覆盖后续的路线选择。模型要判断接下来沿哪条路走，就需要结合指令，利用不同方向的路线信息。
注意力对比直观地呈现了这种变化： 短序列模型接收的是全景，使用方式却仍像透视策略，主要关注正前方；PanoVLN 则能根据指令，关注前方视野之外的目标通道。
同一全景、同一指令：短序列模型主要关注前方，PanoVLN 关注到与指令相关的侧面通道
动作长度消融中，透视策略在预测 4 个动作 时表现最佳，全景策略则更适合 18 个动作 。执行时，我们再用 置信度引导执行（CGE） ，根据预测的可靠程度决定走多少步后重新观察，让较长的规划与灵活的执行配合起来。
岔路看得更多，就专门训练选路
全景在分岔处尤其有用：多个方向的通道同时可见，模型需要结合指令选中正确的一条。
为此，我们在 800 个 HM3D 场景中构建约 9.8 万条轨迹 ，增加分岔决策，配上明确指定目标入口的指令，并加强转弯与停止附近的监督。训练任务由此反复教会模型：从眼前的多个选项中，选出指令要求的路线。
看懂地标，更要看懂空间关系
导航既需要认出门、桌子和通道，也需要理解它们如何组成一条可走的路线。
PanoVLN 融合来自 同一张 RGB 全景 的两类信息：视觉语言模型提供场景语义，冻结的 PanoVGGT 编码器提供几何特征。两者按对应区域对齐， 无需额外深度输入，也不增加视觉 token 数量 。
PanoVLN 整体架构：语义与几何融合，预测较长动作序列，由 CGE 决定本轮执行长度
02｜双基准 SOTA：4B 模型，成功率达 77.3% / 78.0%
采用 Qwen3.5-4B 主干，完整 PanoVLN 在 R2R-CE / RxR-CE Val-Unseen 上的成功率分别达到 77.3% / 78.0% ，较论文比较表中的此前最好结果提高 11.9 / 8.7 个百分点 。
这些测试场景没有出现在训练中。即使只使用 R2R-CE 与 RxR-CE 导航数据，PanoVLN† 的成功率也达到 73.9% / 74.1% ；加入我们构建的数据后，性能进一步提升。
未见场景导航结果：SR 为成功率，SPL 同时衡量成功与路径效率；† 表示未使用 R2R-CE / RxR-CE 之外的导航数据
03｜走出仿真：机器狗更会选路，也更少停顿
我们将 PanoVLN 部署到 Unitree Go2 ，搭配 Insta360 X5 全景相机与远程 RTX 3090，在办公室、走廊和校园中测试， 无需针对测试场景专门微调 。
下面这组连续帧展示了一个校园案例：机器人根据指令直行，找到左侧的棕色躺椅，并到目标旁停止。上排是行进过程，下排是对应的全景观察。
真机导航连续帧：根据指令直行，前往左侧目标并停止
收益也体现在移动过程中。在同步执行测试中，PanoVLN 的平均导航耗时为 86.4 秒 ，平均策略调用 7.4 次 ；StreamVLN 的对应值为 117.8 秒、34.3 次 。等待时间占比也从 27.1% 降到 13.6% 。
有把握时连续走一段，再根据预测可靠程度决定何时重新观察。 这减少了反复请求模型带来的等待，让机器人的行进更连贯。
真机执行效率：导航耗时、策略调用次数与等待时间对比；单次推理延迟不含网络通信
代码、模型与数据已开源
PanoVLN 的核心发现是： 更完整的视觉输入，需要与之匹配的学习和决策方式。 当模型学会利用不同方向的路线、入口和空间关系，全景才能转化为更准确、更连贯的导航。
训练与数据生成代码、评测和真机部署流程、模型权重及训练数据均已公开。
本文仅做学术分享，如有侵权，请联系删文。
。
扫码添加微信，备注：姓名+方向+单位，邀请入群。
