引言

视觉-语言导航（Vision-and-Language Navigation, VLN）作为具身智能的关键研究领域，旨在赋予智能体根据自然语言指令在未知三维环境中导航的能力。近期，多模态大语言模型（MLLM）凭借其卓越的语义理解与推理能力，极大地推动了VLN领域的发展。然而，当前主流方法普遍依赖于构建显式记忆（如文本拓扑地图或存储历史图像序列），这一范式面临三大核心挑战：

1. 空间信息损失：基于文本的记忆难以精确表征复杂的空间几何关系。

2. 计算效率低下：重复处理历史观测数据导致巨大的计算冗余与推理延迟。

3. 记忆无限膨胀：记忆体积随导航步数线性增长，阻碍了模型在长时序任务中的有效信息提取。

JanusVLN：双重隐式记忆解耦语义与空间，开创视觉语言导航记忆新范式图3

更根本的矛盾在于，现有模型大多沿用为2D图文任务设计的视觉编码器，未能充分利用RGB图像中蕴含的丰富3D空间线索（如透视、遮挡），从根本上限制了其三维空间感知能力。为突破这些瓶颈，我们从人类认知科学中获得启发——人脑在导航时，左右半球分别处理语义与空间信息，并形成高效的隐式表征。

基于此，我们提出了一种全新的VLN框架——JanusVLN。该框架首次引入双重隐式神经记忆（Dual Implicit Neural Memory），将视觉语义与空间几何信息解耦，并将其建模为两个独立的、紧凑的、固定大小的神经表征 (neural representation)。JanusVLN仅需单目RGB视频流，便能赋予模型强大的3D空间推理能力，并通过高效的增量式更新机制，在实现卓越性能的同时，显著降低了计算开销。

论文标题：JanusVLN: Decoupling Semantics and Spatiality with Dual Implicit Memory for Vision-Language Navigation
论文链接：https://arxiv.org/abs/2509.22548
项目主页：https://miv-xjtu.github.io/JanusVLN.github.io/
代码地址：https://github.com/MIV-XJTU/JanusVLN

JanusVLN：双重隐式记忆框架

JanusVLN的核心创新在于其双重隐式记忆框架，它将导航记忆从显式、高维的原始数据，转变为隐式、紧凑的神经网络内部表征。

核心设计理念

1.解耦的视觉感知：语义与空间

为实现全面的环境理解，JanusVLN采用双编码器架构，分别处理“是什么”（语义）与“在哪里”（空间）的问题：

2D视觉语义编码器：采用Qwen2.5-VL的视觉编码器，提取图像中的高级语义特征。
3D空间几何编码器****：引入预训练的3D视觉几何基础模型（VGGT），仅从RGB视频中便可推断出蕴含深度、遮挡等丰富3D结构的几何特征，赋予模型无需昂贵深度传感器的3D感知能力。

2.双重隐式神经记忆：以KV缓存为载体

我们创新地将神经网络注意力模块的键值对（Key-Value, KV）缓存作为记忆的载体。这种经网络深度处理的KV对是环境信息的高度抽象和浓缩，构成了紧凑且高效的隐式记忆。JanusVLN分别为语义与空间编码器维护独立的KV缓存，形成了互补的双重记忆。

3. 高效的混合增量更新

为维持记忆的固定大小并兼顾全局与局部信息，我们设计了一种混合缓存更新策略：

滑动窗口：缓存最近几帧的KV，确保对即时环境的敏锐感知。
初始窗口：永久保留任务初始几帧的KV。研究表明，这些初始帧如同“注意力接收器”，为长期任务提供关键的全局锚点。

该机制使得模型在每一步仅需处理当前帧，并通过与固定大小的隐式记忆交互来复用历史信息，彻底避免了对历史帧的重复计算，从而解决了记忆膨胀问题并大幅提升了推理效率。

实验验证

1. 定量性能对比

我们在权威的VLN-CE基准上进行了全面评估。实验结果表明，JanusVLN在各项指标上均取得了SOTA性能。

超越SOTA方法：与同样仅使用RGB输入的SOTA方法（如NaVILA, StreamVLN）相比，JanusVLN在成功率（SR）上取得了3.6至10.8个点的显著提升，且使用了更少的外部训练数据，验证了双重隐式记忆范式的优越性。

超越多模态输入方法：相较于依赖全景图、深度图等昂贵多模态输入的方法，JanusVLN仅凭单目RGB输入，便在SR指标上实现了10.5至35.5个点的巨大优势。

强大的泛化能力：在更具挑战性的多语言RxR-CE数据集上，JanusVLN同样刷新了SOTA记录，展现了其卓越的泛化性能。

2. 计算效率优势

图3：随着序列长度增加，JanusVLN（Cached Memory）与基线方法（VGGT）的单帧推理时间对比

如图所示，JanusVLN的增量式更新机制使其推理时间几乎不受导航步数影响，而VGGT由于需要重复处理整个序列，其计算成本呈指数级增长。这证明了JanusVLN在实现长时序导航方面的巨大潜力。

3. 空间推理能力定性分析

我们选取了几个对空间理解要求极高的导航任务，例如：

深度感知（定位到“最远的”黄色凳子）
相对方位理解（停在盆栽“旁边”而非“前方”）
空间关联推理（找到橙色柜子“旁边”的凳子）

实验表明，得益于空间几何记忆提供的3D感知能力，JanusVLN能够准确理解这些复杂的空间指令，并成功完成任务，而这正是传统VLN模型面临的主要挑战。

总结与展望

本文提出的JanusVLN框架，通过引入开创性的双重隐式神经记忆，成功将视觉语义与空间几何信息解耦，从根本上解决了传统VLN方法在记忆机制上的核心瓶颈。该框架不仅实现了仅依靠RGB输入进行精确的3D空间感知，还通过高效的增量式更新大幅提升了计算效率。

全面的实验结果验证了JanusVLN的卓越性能与泛化能力。我们相信，这项工作将推动VLN研究从“2D语义主导”的范式，迈向“3D空间与语义协同”的新阶段，为构建下一代具备高级空间认知能力的具身智能体铺平了道路。