PAPER DEEP DIVE
GuidedNav：通过动作前注意力与空间引导塑造视觉语言导航表征
GuidedNav 在训练阶段用子任务、地标与空间三类引导约束视觉语言导航策略的表征：让动作前注意力对准当前指令片段与相关视觉区域，并将长时几何和局部空间结构蒸馏给仅依赖单目 RGB 的策略。方法在 R2R-CE 与 RxR-CE 验证集上取得领先成功率，同时保持较低推理开销。
论文信息与一句话总结
论文：《GuidedNav: Shaping Vision-Language Navigation Representations through Pre-Action Attention and Spatial Guidance》
作者：Jingyu Guo、Jiaxin Huang、Chengxing Lin、Xiaoyu Luo、Cheng Wen、Shanshan Ye、Tingjin Chu、Shaoli Huang、Mingming Gong。
版本与链接：arXiv 2610.13122v1，论文摘要页，全文网页。
代码状态：作者公开了研究代码仓库和项目页。截至本次精读时，仓库提交为 1d7e33fed6b489560491b4b6f3e912884fc14790，其中只有说明文档和标识图；权重、推理代码、数据集与训练代码均标记为即将发布。因此本文的实现细节以论文和附录为准，不能把尚不存在的源码当作可复现结果。
一句话总结：GuidedNav 不改写视觉语言模型的动作生成接口，而是在训练阶段把“当前正在执行哪段指令、指令指向什么物体、周围空间怎样组织”压缩进同一套动作前表征，使单目视觉语言导航在部署时仍能直接、低延迟地输出动作。
研究背景与动机
连续环境中的视觉语言导航要求机器人仅凭一条自然语言指令和连续变化的单目图像，决定前进、转向或停止。与离散图上的导航不同，机器人每一步只移动一小段距离或旋转固定角度，必须把语言中的细粒度空间关系持续映射到视觉场景。指令往往包含多个阶段，例如先走向黄色椅子，再经过餐桌，最后进入房间。每个阶段都可能在前半程出现相同的“继续前进”动作，但真正需要关注的指令片段和视觉地标已经改变。
现有大型视觉语言模型具备较强的常识和多模态理解能力，却不一定把这种能力组织成适合动作决策的内部状态。模型可能记住场景中的显著物体，却没有把“当前子任务”和“该子任务对应的视觉证据”绑定在生成动作的位置上。由此产生的错误通常不是完全看不懂句子，而是执行进度错位：已经完成了上一段，却仍围绕旧地标决策；或者找到了正确物体，却没有把空间关系转化为足够精确的转向和停止。
另一类方法通过额外推理文本、未来帧预测或中间问题来改善导航。它们能引入监督，但推理阶段可能增加生成开销，并让动作依赖一段不一定可靠的文本解释。GuidedNav 的问题设定更直接：在模型真正开始输出动作 token 之前，那个位置的注意力是否已经同时读取了活动指令跨度与目标地标，并包含足够的三维空间信息？如果答案是否定的，能否只在训练时塑造这种表征，而不改变部署时的动作接口？
论文围绕三个互补层次回答这个问题。子任务引导解决“现在执行哪一段”；地标引导解决“这段话在当前画面中指向哪里”；空间引导解决“当前局部观测如何借助历史和多帧关系形成更完整的几何理解”。三者共享动作前位置，但监督信号分别来自文本区间、图像掩码以及冻结的三维基础模型。
这种设计的关键价值在于训练与推理的非对称性。三维教师、辅助投影器和人工构造的标注只在训练时存在；推理阶段保留由时序融合改变过的视觉词元，并直接执行动作。模型不需要在线运行几何大模型，也不需要先生成子任务说明。对于真实机器人，这比单纯追求离线指标更重要，因为每一步的延迟、显存占用和失败恢复都直接影响可用性。
图1：论文用同一段路线说明三种引导。子任务引导强调当前指令阶段，地标引导把注意力放到可见参照物，空间引导利用历史与邻近观测补足单帧几何信息。
问题定义与总体框架
在时刻 $t$，策略接收完整指令 $I$、抽样历史画面 $H_t$ 与当前画面 $o_t$，输出一个短动作序列。动作基元包括前进、左转、右转和停止；一次预测最多包含四个基元，遇到停止会提前结束。形式化写作：
$$A_t \sim \pi_\theta(\cdot\mid I,H_t,o_t),\qquad A_t=(a_{t,1},\ldots,a_{t,m_t}),\quad m_t\le 4.$$
这一动作分块机制减少了每一步都调用大模型的频率，但也提高了表征要求。一个动作块可能跨越视觉变化较大的几帧，策略必须把当前子任务、局部地标和空间布局保持在连贯状态中。GuidedNav 因此不把“动作生成”与“表征学习”分开处理，而是从动作 token 前一个位置读取注意力，使监督直接作用于决定动作的上下文。
总体框架以 Qwen3-VL-8B-Instruct 为初始化模型。文本词元、历史视觉词元、当前视觉词元和动作词元进入自回归解码器；训练阶段额外接入两个注意力损失、长时空间对齐损失和局部时序残差损失。所有辅助目标均围绕同一个动作前查询展开或作用于同一层级的视觉状态，避免出现“解释分支学得很好，但动作分支没有使用”的脱节。
flowchart LR I[完整指令] --> L[指令词元] H[历史 RGB] --> V[当前视觉词元] O[当前 RGB] --> V V --> F[稀疏时序融合
最近三帧] L --> Q[动作前查询] F --> Q Q --> S[子任务注意力监督] Q --> G[地标注意力监督] Q --> A[动作 token] H --> T[冻结 VGGT 教师] O --> T T --> LH[长时空间对齐] T --> LL[局部残差监督] LH --> Q LL --> F A --> R[连续环境动作]
图中最需要区分的是训练路径和推理路径。部署时，冻结的三维教师、两个辅助投影器以及标注依赖的损失全部移除；当前视觉词元仍经过稀疏时序融合，再进入语言模型并生成动作。也就是说，训练时用来塑造表征的“脚手架”不会留在在线计算图中。
图2：总体架构。动作前位置是文本与视觉引导的共同读取点；空间引导则从冻结的三维教师向当前视觉状态传递几何信息。
方法详解
动作前注意力的读取
GuidedNav 没有新增专门的注意力头，也不要求模型先生成“我正在执行第二步”之类的文本。它读取第一个动作 token 前一个位置的原始查询，分别与指令键和当前视觉键计算注意力。对选定的头集合 $\mathcal B$，平均后的注意力为：
$$\alpha_D=\frac{1}{|\mathcal B|}\sum_{b\in\mathcal B}\operatorname{softmax}\!\left(\frac{Q_p^{(b)}(K_D^{(b)})^\top}{\sqrt{d_b}}\right),\quad D\in\{I,t\}.$$
其中 $Q_p$ 是动作前查询，$K_I$ 和 $K_t$ 分别是指令与当前画面的键，$d_b$ 是头维度。实现中读取解码器第 27 层，使用从零开始编号的第 0 与第 16 个头。指令和视觉两个词元组分别做 softmax，而不是在混合序列上只归一化一次。这样得到的分布描述的是“在指令内部偏向哪些词”和“在图像块内部偏向哪些区域”，两个度量不会因为文本长度或图像词元数量不同而互相挤压。
选择动作前位置而不是序列末尾，是因为该位置的查询承担了预测首个动作所需的多模态上下文。若在动作 token 生成之后再读注意力，模型已经进入动作生成循环，监督会混入动作词元自身的信息。GuidedNav 保持动作接口不变，同时让训练信号精确落在“即将决定第一步动作”的状态上。
子任务注意力引导
设 $\mathcal S_t$ 为时刻 $t$ 对应活动子任务的指令词元集合。GuidedNav 最大化动作前查询分配到该集合的总注意力质量：
$$\mathcal L_{\mathrm{Subtask}}=-c_t\log\left(\sum_{i\in\mathcal S_t}\alpha_{I,i}\right).$$
这个目标没有规定子任务内部各词的相对权重，只要求整体关注区域被覆盖。因此模型仍可自行决定“向右”“厨房”或“白色橱柜”中哪些词对当前动作更重要。系数 $c_t$ 用于平衡不同长度区间。若直接按样本平均，长句中的子任务拥有更多词元，会获得不成比例的总损失；论文把每个子任务组的总权重拉平，使有效样本在平均意义上保持单位权重。
与“先让模型生成当前子任务，再生成动作”的方案相比，这种监督不增加推理 token。附录中的对照实验也显示，注意力引导获得最高成功率，而辅助文本生成虽然把 Oracle 成功率推到更高，却需要额外前向过程。这里的取舍很清楚：文本解释可能便于人读，但机器人真正需要的是动作生成位置可访问的语言进度状态。
地标注意力引导
对于当前活动子任务，数据引擎提供若干可接受的地标掩码。掩码被面积池化到视觉词元网格，得到 $m_{t,j}\in[0,1]$。GuidedNav 要求注意力质量落在这些区域中：
$$\mathcal L_{\mathrm{Landmark}}=-\log\left(\sum_{j=1}^{N_t}m_{t,j}\alpha_{t,j}\right).$$
这里没有把掩码归一化成必须逐像素复现的目标分布。一个地标可占据多个图像块，模型只要把足够注意力放到这些块上即可，内部如何分配仍可学习。这一点区别于分布匹配：后者容易迫使模型拟合标注框的形状，而真实决策需要的是区域级视觉证据。附录实验中，注意力引导在成功率、Oracle 成功率和导航误差上均优于分布匹配与访问正则，但基础模型的路径长度加权成功率仍略高，说明“看得更准”不必然等价于“路径更短”。
地标监督与子任务监督共享同一动作前查询。一个训练样本若缺少可靠子任务区间，只关闭子任务损失；若掩码置信度不足，则只关闭地标损失。动作监督始终保留，避免因为离线自动标注失败而丢掉真实轨迹。这种按有效性屏蔽的机制对于依赖检测、分割和大模型分解的数据引擎十分必要。
长时空间引导
单目画面的深度、遮挡和尺度关系具有天然歧义。GuidedNav 使用冻结的 VGGT-1B 接收当前帧与最多七张抽样历史帧，联合编码后得到具有历史背景的当前帧块特征 $f_{t,j}^{\mathrm{long}}$。策略第 27 层的隐藏状态 $h_{t,j}$ 经两层投影器 $P_{\mathrm{long}}$ 映射到相同维度，通过余弦损失对齐：
$$\mathcal L_{\mathrm{Long}}=\frac{1}{N_t}\sum_{j=1}^{N_t}\left[1-\cos(P_{\mathrm{long}}(h_{t,j}),f_{t,j}^{\mathrm{long}})\right].$$
温度参数被固定为 1，因此余弦相似度越接近 1，损失越小。教师特征在反向传播时被截断，策略只学习预测目标，不会反过来修改三维基础模型。长时目标的 14 像素块网格会双线性重采样到策略视觉词元网格，并加入尺度为 0.1 的三维位置编码，使空间关系不只以外观相似度存在。
局部时序融合与残差监督
在进入语言模型之前，当前视觉编码器词元 $z_{t,j}$ 会使用最近三帧信息进行修正。对历史帧 $u$ 中的词元 $i$ 与当前词元 $j$，匹配分数同时考虑外观相似度和二维位置距离：
$$s_{u,i,j}=\cos(z_{u,i},z_{t,j})-0.05\|q_i-q_j\|_2^2.$$
位置项抑制外观相似但空间位置差异过大的误匹配。只有互为最高分的匹配才被接受，每个历史帧最多保留当前网格约四分之一的对，并按其与当前帧的时序距离赋权。融合残差与更新后的词元为：
$$r_{t,j}=\frac{\sum_{(u,i)\in\mathcal M_t(j)}w_{t-u}(z_{u,i}-z_{t,j})}{\sum_{(u,i)\in\mathcal M_t(j)}w_{t-u}},\qquad \widetilde z_{t,j}=z_{t,j}+g\,r_{t,j}.$$
门控 $g=0.2\operatorname{sigmoid}(a)$ 被限制在较小范围，初始值约为 0.05。这样模型不会因为少数错误匹配而大幅改写当前视觉表示。匹配过程是离散的，梯度通过被选中的特征传播，但不会穿过“选哪一个”的操作。融合保持词元数量和空间排列不变，因而可以直接作为语言模型原有视觉输入的替代。
仅告诉融合模块“有历史信息可用”还不够，关键是它应从邻近观测中提取有用的几何差异。令 $f_t^{\mathrm{local}}$ 是局部窗口教师特征，$f_t^{\mathrm{single}}$ 是当前帧单独输入教师得到的特征。两者分别做 $\ell_2$ 归一化后相减，再归一化，得到：
$$\Delta f_{t,j}=\mathcal N\!\left(\mathcal N(f_{t,j}^{\mathrm{local}})-\mathcal N(f_{t,j}^{\mathrm{single}})\right).$$
局部损失要求门控前的残差经过投影器后与这个差分对齐：
$$\mathcal L_{\mathrm{Local}}=\frac{1}{|\mathcal J_t|}\sum_{j\in\mathcal J_t}\left[1-\cos(P_{\mathrm{local}}(r_{t,j}),\Delta f_{t,j})\right].$$
这个设计的精妙之处在于监督的是“邻近帧带来的变化”，而不是让残差去重建教师特征本身。若当前像素在历史帧中没有可靠对应，$j$ 不计入 $\mathcal J_t$；若某帧完全找不到互惠匹配，则局部损失可直接跳过。由此，时序融合既能保留当前帧的细节，又能学习何时、在哪些位置上吸收历史证据。
联合损失
空间损失汇总长时与局部两个部分，完整目标在动作交叉熵之外加入渐进式辅助监督：
$$\mathcal L_{\mathrm{Spatial}}=\lambda_{\mathrm{long}}\mathcal L_{\mathrm{Long}}+\lambda_{\mathrm{local}}\mathcal L_{\mathrm{Local}},$$
$$\mathcal L=\mathcal L_{\mathrm{Action}}+\eta(s)\left[\lambda_{\mathrm{sub}}\mathcal L_{\mathrm{Subtask}}+\lambda_{\mathrm{lm}}\mathcal L_{\mathrm{Landmark}}+\mathcal L_{\mathrm{Spatial}}\right].$$
权重为 $(\lambda_{\mathrm{sub}},\lambda_{\mathrm{lm}},\lambda_{\mathrm{long}},\lambda_{\mathrm{local}})=(0.01,0.01,0.5,0.1)$，辅助项使用 3% 预热。$\eta(s)$ 在训练开始时逐渐提高，避免随机初始化阶段辅助目标压过动作监督。长时损失权重明显高于两个注意力损失，反映了几何教师在特征空间中提供的是密集连续监督；注意力损失则只对特定词元组或图像区域施加约束。
地标中心的数据引擎
GuidedNav 的监督依赖新的数据集 Guided-R2R 与 Guided-RxR，它们保留原始观测、指令和动作目标，同时增加逐帧子任务与地标标注。R2R 的活动区间直接复用 FGR2R 的子任务划分，再通过轨迹位姿映射到连续环境中的帧区间。RxR 没有现成的同类标注，因此先由 gpt-oss-120b 将英文指令拆成子任务、地标和完成条件。
时间对齐采用由粗到细的策略。RxR 的词时间戳和导览位姿先给出子任务与帧的粗略对应，再由 GLM-4.5V 结合轨迹总览和边界附近画面修正。进入每个对齐片段后，视觉语言模型选择明确被提及或由动作隐含的地标，用 GroundingDINO 候选框核对定位，再选取锚点帧。SAM2 在子任务区间内传播被接受框的提示，生成逐帧掩码。
自动标注不是无条件接受。掩码还要经过面积、检测一致性和时间支持度过滤；路径位姿缺失、指令匹配歧义或轨迹拓扑不兼容的导出会被排除。对于不可靠的局部标注，训练不会把整个样本删掉，而是只停用相应辅助损失。这样既保护动作学习的数据规模，也避免错误掩码污染注意力。附录中的 R2R 走廊示例明确展示了掩码缺失时仍保留动作监督的做法。
图3：数据引擎包括子任务分解与时间对齐、地标选择与定位、逐帧掩码生成。生成过程可利用完整专家轨迹，但策略训练仍只使用当前及过去观测。
这里需要区分离线标注与在线因果性。离线阶段查看整条专家轨迹有助于确定子任务边界和传播掩码；部署阶段策略没有未来帧，也不会读取标注。论文明确说明策略与空间教师只使用时刻 $t$ 可获得的当前和过去画面，因此数据构造中的全局可见性不会直接泄漏到动作决策。
三阶段训练与部署路径
第一阶段从 Qwen3-VL-8B-Instruct 开始，用约 53 万 R2R 专家样本、190 万 RxR 专家样本和 79 万视觉指令数据全参数微调。第二阶段用 297 万 DAgger 样本继续全参数训练，并混入同类视觉指令数据。第三阶段才在带引导标注的 R2R 与 RxR 专家数据上使用秩为 32 的 LoRA，缩放因子为 16。
三个阶段均为一个 epoch、全局批大小 256，使用 AdamW、余弦学习率衰减、3% 预热、权重衰减 0.01、BF16 与 DeepSpeed ZeRO-2。第一阶段语言模型峰值学习率为 $2\times10^{-5}$，第二阶段为 $1\times10^{-5}$；视觉塔和多模态投影器在两阶段均为 $5\times10^{-6}$。第三阶段 LoRA 峰值学习率为 $2\times10^{-4}$。基础模型使用完全相同的第二阶段检查点和第三阶段训练预算，只是不加入引导模块，因此消融比较并未把数据量或微调步数差异混入结论。
部署时，模型接收指令和最多八张上下文画面，使用贪心解码，一次最多执行四个动作。底层动作设定为前进 0.25 米或旋转 15 度，单回合最多 500 个动作。三维教师与辅助投影器不再运行，但稀疏时序融合保留。这个选择解释了论文的效率结果：模型仍为约 87.7 亿参数，却在单张 RTX 5090 上达到每步 81 毫秒和每秒 12.3 步，略快于 80.3 亿参数的 StreamVLN，也远快于需要复杂几何处理的对比方法。
实验结果与分析
主结果
论文在 R2R-CE 与 RxR-CE 的未见验证集上评估单目视觉语言导航。主要指标包括导航误差、Oracle 成功率、成功率和按路径长度加权的成功率；RxR 还报告归一化动态时间规整，用于衡量实际路径与参考路径的一致性。GuidedNav 在 R2R-CE 上把成功率从最强此前结果的 60.5% 提高到 65.4%，在 RxR-CE 上从 57.4% 提高到 64.9%。
| 方法 | R2R 误差 | R2R Oracle | R2R 成功率 | R2R SPL | RxR 误差 | RxR 成功率 | RxR SPL | RxR nDTW |
|---|---|---|---|---|---|---|---|---|
| JanusVLN | 4.78 | 65.2 | 60.5 | 56.8 | 6.06 | 56.2 | 47.5 | 62.1 |
| NavFoM | 5.01 | 64.9 | 56.2 | 51.2 | 5.51 | 57.4 | 49.4 | 60.2 |
| StreamVLN | 4.98 | 64.2 | 56.9 | 51.9 | 6.22 | 52.9 | 46.0 | 61.9 |
| GuidedNav | 3.83 | 71.5 | 65.4 | 59.1 | 4.40 | 64.9 | 54.3 | 69.2 |
相对各自最强的此前指标，GuidedNav 在 R2R 上把成功率提高 8.1%，在 RxR 上提高 13.1%；绝对百分点分别增加 4.9 和 7.5。路径加权成功率也分别提高 4.0% 和 9.9%，RxR 的路径一致性提高 10.5%。同时出现成功率、路径效率和路径一致性改善，比只提高终点命中率更有说服力：模型不仅更常到达目标，也较少依赖绕路或反复试探。
路径长度分组揭示了收益边界。两个较短区间内，成功率变化不大，SPL 甚至略有下降；在 8.43 至 10.43 米以及超过 10.43 米的长路径上，两个指标才同时上升。这与方法目标一致：长路线更容易出现指令进度漂移和地标切换，持续维护动作前表征的收益也更明显。短路线动作少，基础模型已有足够上下文，辅助引导反而可能带来轻微效率代价。
推理效率
| 方法 | 参数量（十亿） | 每步延迟（毫秒） | 每秒动作步数 |
|---|---|---|---|
| StreamVLN | 8.03 | 87 | 11.4 |
| JanusVLN | 9.31 | 864 | 1.1 |
| MonoDream | 2.00 | 211 | 4.7 |
| GuidedNav | 8.77 | 81 | 12.3 |
效率并非因为 GuidedNav 更小，而是因为几何学习被移出在线路径。推理不运行 VGGT，不生成子任务文本，也不执行额外推理链；时序融合只涉及轻量视觉词元匹配与门控残差。相较 StreamVLN，每步延迟降低 6.9%；相较需要在线三维推理或较慢解码流程的方法，优势更明显。
模块消融
| 配置 | 导航误差 | Oracle 成功率 | 成功率 | SPL |
|---|---|---|---|---|
| 基础模型 | 4.87 | 63.8 | 59.3 | 56.1 |
| 加子任务注意力引导 | 4.34 | 72.3 | 62.9 | 55.2 |
| 加地标注意力引导 | 4.38 | 72.1 | 62.6 | 55.8 |
| 加空间引导 | 4.33 | 68.5 | 62.4 | 57.2 |
| 三者全部启用 | 3.83 | 71.5 | 65.4 | 59.1 |
三个模块单独加入时，成功率分别比基础模型提高 3.6、3.3 和 3.1 个百分点。子任务与地标引导主要提高 Oracle 成功率，说明模型更容易进入目标附近；空间引导同时把 SPL 提高 1.1 个百分点，说明几何信息有助于缩短不必要路径。完整组合比基础模型提高 6.1 个成功率点与 3.0 个 SPL 点，超过三个单模块增益的简单平均，表明语言进度、视觉参照与空间结构不是重复信号。
空间引导的内部消融也提供了细节。仅加入长时空间对齐时，成功率为 61.8%，SPL 为 56.6%；加入门控融合后变为 62.0% 和 56.7%；再监督局部残差后达到 62.4% 和 57.2%。局部监督带来的 SPL 增益更大，说明融合内容的质量比单纯启用融合更重要。模型需要学会从邻近观测中取什么，而不只是拥有一个可调用的历史缓存。
表征探针
| 模型 | 子任务 AUPRC | 子任务 AUROC | 地标 PG | 地标 EBPG | 深度 AbsRel | 深度 RMSE | 远近排序准确率 |
|---|---|---|---|---|---|---|---|
| 基础模型 | 34.5 | 53.2 | 15.2 | 13.4 | 0.25 | 0.82 | 85.9 |
| GuidedNav | 56.3 | 76.1 | 49.1 | 42.6 | 0.19 | 0.64 | 91.7 |
子任务定位的 AUPRC 和 AUROC 分别提高 21.8 与 22.9 个百分点，地标 Pointer Game 与基于能量的 Pointer Game 分别提高 33.9 与 29.2 个百分点。后者同时改善尤其重要：峰值落在地标内说明“指对了”，注意力质量更多覆盖地标区域说明“看得更完整”。图5展示随导航步骤变化的指令高亮，GuidedNav 能更清楚地从已经完成的片段转向当前活动跨度。
图5：不同导航步骤的指令注意力。绿色下划线是活动子任务，蓝色越深表示动作前位置分配的相对注意力越高。
空间探针独立拟合于冻结表征，不参与动作预测。GuidedNav 的绝对相对误差从 0.25 降到 0.19，均方根误差从 0.82 米降到 0.64 米，远近排序准确率从 85.9% 提高到 91.7%。由于推理时并不存在探针，这些改善说明几何信息已经进入主干隐藏状态，而不是只存在一个被丢弃的辅助模块中。
图6：楼梯、椅子等地标的参考掩码与动作前注意力。GuidedNav 的热图更集中地覆盖任务相关区域，但没有直接证明单个词元的因果贡献。
真实机器人展示
作者在 AgiBot X2 人形机器人上部署 GuidedNav，使用前置单目相机接收指令和连续自我中心画面。计算在外部 RTX 4090 服务器完成，机器人接收预测动作；整个展示没有进行真实世界微调。示例中机器人经过橙色椅子并最终停在咖啡机前，随着指令推进，动作前注意力从中间地标转移到终点。
这个实验的意义在于检验模拟训练得到的指令—地标关联能否面对真实光照、运动模糊和场景差异。它仍是定性证据：没有给出真实环境的成功率、碰撞率、重复次数或不同场景样本量。论文也没有报告真实闭环中的通信延迟与动作执行误差。因此，它可以支持“方法具备部署可行性”的判断，却不能替代系统性的现实世界评测。
局限性
第一，论文的主要结论集中在 R2R-CE 与 RxR-CE 的未见验证集，输入限制为单目视觉语言导航，环境也是经过连续化的模拟器。方法没有覆盖全景、深度、里程计等额外传感器，也没有证明在多楼层、动态人群或户外开放场景中的稳定性。真实机器人部分只有定性轨迹，样本规模不足以估计失败分布。
第二，作者明确指出注意力图只描述同一词元组内的相对分配，不能直接视为单个词元或图像块对动作的因果贡献。GuidedNav 改善定位与导航指标，但解释“为什么某个动作被选中”仍需要额外因果分析或反事实测试。
第三，辅助监督依赖自动构造的子任务、地标选择、检测框和分割掩码。大模型分解错误、GroundingDINO 漏检或 SAM2 传播漂移会直接降低监督质量；缺失标注虽然只关闭对应损失，但大量缺失会让引导退化为较弱的基础训练。论文没有报告标注接受率、不同生成器质量与最终导航性能之间的系统敏感性。
第四，路径长度分组显示短路径上的 SPL 略低，收益主要集中在长路径。模型约为 87.7 亿参数，仍需要较强 GPU。虽然在线不运行三维教师，完全本地化的低算力机器人部署、长时间运行稳定性以及故障恢复尚未评估。
第五，代码仓库目前只有说明和标识图，检查点、推理、数据集和训练代码均未发布。外部研究者暂时无法复现三阶段训练、数据引擎、注意力读取位置和全部损失权重，也无法独立核验真实机器人实验。
总结与展望
GuidedNav 的核心不是增加一个在线推理模块，而是把三类训练时监督集中到动作前表征：子任务损失告诉模型当前语言进度，地标损失告诉模型当前视觉证据，空间损失借助冻结三维教师与局部时序残差把几何结构写入主干。部署时移走教师与投影器，保留直接动作生成和轻量时序融合，由此同时改善成功率、路径效率与推理延迟。
方法给出的更一般启示是，辅助推理不一定要以可读文本的形式留在推理链中。只要监督能落到真正参与动作的表示位置，训练信号可以在离线阶段承担“解释”和“几何建模”的职责，而部署阶段只保留压缩后的决策状态。未来值得补充的工作包括发布完整实现、在更多真实场景中量化闭环比、评估标注质量敏感性，以及把单目扩展为多传感器或主动感知设定。
金句：GuidedNav 让三维教师只出现在训练场，却把空间感留在了机器人走向下一步的动作前。
