KAIST-ETRI机器人凭借自我复核功能赢得全球导航大赛

一台能完美执行指令却仍会走进错误房间的机器人，正是这种故障模式，悄无声息地限制了企业愿意赋予室内移动机器人的自主程度。 韩国科学技术院（KAIST）与电子通信研究院（ETRI）的联合团队本周表示，他们在VLNVerse挑战赛中击败了其他111支队伍。该赛事是于瑞典马尔默举行的ECCV 2026计算机视觉会议的组成部分， 瑞典举行的ECCV 2026计算机视觉会议的“VLNVerse Challenge”中，击败了其他111支队伍。 该团队名为URL-FRRS，由韩国科学技术院（KAIST）玄明教授领导的未来城市机器人实验室与ETRI的现场机器人研究小组共同组成，在两项导航任务中取得了90.7%的平均成功率，以微弱优势领先于获得相同分数但提交结果较晚的亚军团队。 基于同一底层系统的该团队，还在与RSS 2026机器人会议同期举办的另一项导航挑战赛中获得第二名。

机器人所参与的评估任务被称为“视觉-语言导航”，这一研究领域要求移动机器人理解口头或书面指令——例如被要求在陌生的建筑中找到一张特定的蓝色沙发——随后仅依靠摄像头画面（而非预先构建的空间地图）自行前往该位置。 视觉-语言导航在商业上至关重要，因为它是连接两类机器人之间的技术层：一类只能在预先绘制好地图的设施中运行，另一类则能被直接部署到新的医院、仓库或办公楼中，并立即遵循未受过机器人培训的工作人员用自然语言发出的指令。 ETRI是韩国主要的国家资助电子与电信研究机构，总部位于大田，其现场机器人研究小组多年来一直致力于开发导航系统，旨在最终将其应用于商用服务和检测机器人，而非仅局限于学术基准测试。

那关键的“自我验证”步骤，正是区分……

获胜团队

URL-FRRS团队获胜的核心创新在于一项名为CoRe-VLN的技术，该名称代表“基于覆盖度的视觉-语言导航恢复”。 大多数视觉-语言导航系统一旦其内部模型估计已到达描述的目的地，就会停止移动。这种设计在模型置信度出现偏差时就会失效——而在真实的建筑物中，由于存在许多从摄像头视角看外观相似的房间、走廊和家具，这种情况经常发生。 而 CoRe-VLN 则让机器人在预估的目的地暂停， 利用能够联合解析图像和文本的多模态AI模型环顾四周，并在确定位置前重新核对三项内容：当前位置是否与接收到的指令一致；物体的颜色和形状是否符合被要求寻找的特征；以及目标是否确实触手可及，而非仅仅在远处可见。 如果上述任何一项检查失败，机器人不会简单地停止并报告错误。它会沿着新路径继续搜索，而不是将最初的最佳猜测视为最终结果。

这种恢复行为正是“机器人会自我复核”这类单行总结往往会简化掉的具体机制，也是对于评估此类导航系统是否接近商业化应用的人而言最为关键的细节。 一台能够识别自身不确定性并据此采取行动的机器人，而非自信地将错误的房间报告为正确，将一类“隐性故障”转化为一种速度较慢但能自我纠正的成功——对于任何考虑在有真实患者、库存或工作人员的建筑中部署自主导航的运营商而言，这代表着截然不同的风险特征。 在商业部署中，“隐性故障”的代价更高，因为它们表现为用户感到困惑，而非被标记为错误，而且事后排查起来比机器人明显地回溯并重试的情况要困难得多。

A

基于将任务拆分为多个专项任务的第二套系统

该团队在RSS 2026会议导航挑战赛中获得亚军，所采用的是一种名为PRISM-Nav的系统。该系统与前文所述系统相关，但在架构上有所不同：它将导航任务分配给多个较小的AI模型，而非依赖一个大型模型一次性处理问题的各个方面。 在PRISM-Nav的设计中，一个模型负责识别与语音指令匹配的可能目的地；第二个模型专门负责检测危险情况，例如轮式或履带式机器人无法安全下行的楼梯；第三个模型则识别空间规则，例如哪些路径是人行道，而非车道或限制区域。 该团队的内部对比发现，这种专业化的多模型方法在执行相同任务时，表现优于规模更大的单模型系统。这一结果推翻了“机器人导航性能主要取决于底层AI模型的规模或通用性”这一假设。

这一结果对那些致力于为商用服务机器人（而非研究演示）构建导航堆栈的公司具有直接启示：与要求单个大型模型同时推断目的地、危险和交通规则（且不牺牲准确性）相比，将不同且更窄的职责分配给较小专用模型的系统架构，在实际应用中可能运行成本更低，且更易于调试。 一旦导航系统需要持续运行在机器人的机载硬件上（而非研究实验室的服务器集群中），计算成本和推理延迟就不再是纯学术问题；当机器人出现意外行为时，专用多模型管道能让操作员更清楚地了解具体由哪个组件负责， 相比之下，单一的整体化模型其内部推理过程则要难得多。

让机器人摆脱预映射的更广泛竞争

轨道

目前在医院、仓库和酒店中部署的大多数移动机器人，仍然依赖于设施的预先测绘和标记——无论是通过固定的磁条、预先加载的平面图，还是在允许机器人无人值守运行之前由技术人员执行的专用测绘运行。 这种依赖性带来了实际的部署成本：医院或仓库中的每一层新楼层、新翼楼，或是季节性的家具重新布置，都可能需要重新进行一次测绘，才能让机器人再次可靠地找到行进路线；而这种维护负担会随着运营商希望实现自动化的场所数量的增加而呈倍数增长。 视觉-语言导航研究——包括韩国科学技术院（KAIST）和电子通信研究院（ETRI）本周展示的研究成果——旨在彻底消除这种依赖性：让机器人像人类员工一样，通过环顾四周并遵循口头指示来解读未被绘制的新环境，而非参考预先构建的数字平面图。

过去几个月里，包括 NAVER Labs Europe 附属团队在内的其他大学和企业实验室的研究团队，针对同一根本问题发表了相互竞争的解决方案，这表明视觉-语言导航已从小众的学术分支领域，发展成为移动机器人领域中竞争最为激烈的研究前沿之一。 虽然具体的技术方法各不相同——有些侧重于无需重新训练即可适应新环境，有些则侧重于韩国科学技术院（KAIST）和电子通信研究院（ETRI）方案中体现的自我验证和多模型专业化——但这些努力的目标是一致的： 打造一款机器人，使其能够被运送到新建筑后当天即可投入使用，而无需经过耗资巨大的建图和校准过程。买家应将技术方案的多样性视为该基础能力正在快速成熟的迹象，而非趋向于某一家公司的专有方法；这增加了该能力某种版本最终得以普及的概率。

在未来几年内，采购方将选择多家供应商的商用产品，而不是局限于率先发布研究成果的实验室。

为何未经认证的研究成果仍能推动采购进程

在学术机器人基准测试中获胜，本身并不能让产品直接进入仓库，而且 CoRe-VLN 和 PRISM-Nav 目前仍属于研究系统，而非具有明确发布日期或许可路径的商用产品。 此类成果所改变的是，服务机器人和设施自动化采购方对“视觉-语言导航”作为近期可实现能力而非长期研究赌注的信心水平——因为ECCV和RSS分别是计算机视觉和机器人领域中最具竞争力且备受瞩目的赛事， 而在111支参赛队伍中取得90.7%的成功率，其门槛远高于供应商自身的内部演示视频——后者通常是在刻意美化系统而非进行压力测试的条件下拍摄的。

设施运营商和系统集成商在为医院、 酒店或物流场所的设施运营商和系统集成商，应将这一结果视为一个信号，向入围的供应商提出比“你们的机器人是否理解语音指令”更具体的问题：其底层导航系统是否具备任何自我验证或恢复机制，还是仅仅在内部置信度分数超过阈值时就报告成功，却没有任何机制来发现自身的错误。 这一区别在销售演示中往往难以察觉，而CoRe-VLN正是为填补这一空白而设计的；随着未来几个产品周期内，越来越多的供应商将视觉语言导航技术从学术基准测试中带入商业试点部署，这很可能成为一项标准评估指标。

韩国科学技术院（KAIST）与电子通信研究院（ETRI）团队在讲述此次获胜经历时，反复提及同一个操作细节：当机器人接到“找到蓝色沙发”的指令时，它仍会检查——

到达时，在它停止移动之前，才能意识到它面前的沙发其实是蓝色的。

本分析基于韩国科学技术院（KAIST）和电子通信研究院（ETRI）就VLNVerse及RSS 2026导航挑战赛结果发布的公开声明和研究说明。本文仅供一般信息参考，不构成任何投资、财务或法律建议。

封面图片来源：KAIST。