NAVER Labs Europe 在 ECCV 2026 大会上展示无需重新训练的机器人导航技术

NAVER Labs Europe 将携十篇研究论文参加 9 月 8 日至 12 日在马尔默举行的 ECCV 2026 会议。其中一项重磅研究成果展示了物理机器人如何利用从冻结的预训练 Vision Transformer 中推导出的单一标量值实现高速移动，且无需对模型进行微调，部署时也无需重新训练。

该团队隶属于韩国互联网集团NAVER，位于格勒诺布尔，他们表示，这种“每块图像块一个标量值”的方法，将通用视觉骨干网络转化为快速的导航信号。 其他论文涵盖了基于BLASt3R的未校准3D重建、自回归3D场景生成，以及用于以摄像头为中心的人体网格恢复的Multi HMR 2，这些成果均已规划在NAVER设施中进行部署。

NAVER Labs Europe总部位于格勒诺布尔，是NAVER在欧洲的研究分支机构。NAVER是一家总部位于首尔的互联网和科技公司，在韩国以搜索、电子商务、地图和数字支付服务而闻名。 该实验室专注于密集室内环境（如NAVER位于板桥的1784总部以及东京中城八重洲综合体）的感知、测绘及人机交互研究。这些新成果旨在减少长期以来困扰机器人进入实际建筑环境运营的摩擦。

“每块图像片段对应一个标量”的理念以巧妙的提取机制替代了大量训练资源

其核心主张既简单又发人深省：预训练的Vision Transformer已经编码了丰富的空间语义。研究团队没有为了狭窄的导航任务而对其进行重新训练，而是从每个图像补丁中提取一个标量值，并将该值作为“移动”或“不移动”决策的代理。 这就像通过观察一个指示灯来驾驶车辆，而该指示灯却能反映整个控制面板的状态。诀窍在于选择正确的标量，并将其映射到控制命令上，而无需更新骨干网络。这一单一的提取步骤极大地减少了对现场特定数据收集、标注和模型微调的需求。

这种方法具有明显的运营优势。

训练和验证周期会导致日程延误，并需要昂贵的计算集群。由于布局不断变化，特定现场的数据集往往很快就会过时。通过冻结基础架构并提取控制信号，该系统避免了给集成商带来负担的“重新训练”恶性循环。其实际效果是：软件更新的占用空间更小、现场测试周期更少，且部署计划更具可预测性。

无需重新训练的导航方案在经济层面更倾向于规模化

大多数室内服务机器人项目都因隐性软件成本的压力而难以维系。车队运营商发现，每次迁移到新的楼层平面，以及每次照明、家具或季节性装饰的变更，都会引发模型漂移。每次漂移都会触发新一轮的数据采集和训练循环。 一种标量提取方法避开了这种恶性循环。如果预训练模型在不同站点之间真正保持“冻结”状态，那么每个站点的配置工作将仅限于控制映射和安全包络的校准。这些任务更像传统的机器人工程，而非深度学习研究。

这在供应链中产生了直接的成本影响。系统集成商在每次安装中所需配置的机器学习专家人数可以减少。云计算服务商发现，对大规模重新训练任务的需求减少，取而代之的是更轻量级的边缘推理。 摄像头厂商和传感器供应商将获得更多话语权，因为性能现在取决于一致的视觉输入质量，而非每个地点的定制语义。电池和电机供应商则受益于计算发热量的降低和任务持续时间的延长，从而提高了工作周期。甚至采购团队在合同条款上也能获得更多话语权，因为验收测试变得更加确定。

竞争格局也随之转变。那些依赖大规模精细调优作为服务的企业将失去定价权。在流程工程和维护方面表现卓越的集成商则将赢得市场份额。那些能够进入新建筑后，仅需极少调整即可运行标准操作手册的机器人

通过微调来赢得高管的耐心。最终的赢家将更像家电供应商，而非定制化项目服务商。

NAVER的建筑项目管道为部署提供了快速反馈渠道

NAVER拥有一处令许多人羡慕的试验场。该公司将其位于韩国的1784大楼作为“活实验室”，部署了数百台服务机器人，负责配送包裹、运送餐食以及支持大楼运营。东京中城八重洲项目的部署，将这一试验场延伸到了人流量巨大的商业环境中。 能够将调试时间缩短数分钟的研究成果，直接有助于提高车队利用率并加快设施验收进程。

实际上，一种能减少现场重新训练的导航方法，可转化为更快捷的变更管理。那些频繁调整零售陈列、活动空间或办公室布局的租户，期望机器人能够跟上节奏。 基于“每块区域一个标量”的方法可在保持主框架稳定的同时，仅更新与安全距离及本地规则相关的一小部分控制阈值。从研究到现场测试再到全车队部署的周期得以缩短。正是通过这种方式，研究论文转化为“首次运行成功率”和“人工干预间隔时间”等运营指标。

欧洲研究布局强化了韩国的产业影响力

格勒诺布尔基地使NAVER能够接入欧洲计算机视觉领域的学术和人才网络。ECCV是顶级学术盛会，提交十篇论文彰显了其研究深度。通过将这些研究成果引入韩国部署站点，NAVER搭建了一座双向桥梁。韩国由此获得前沿方法的持续输入。 欧洲则获得了一条渠道，能够比许多欧洲企业尝试的速度更快地在实际设施中扩展这些方法。这种安排还分散了地域风险。如果某个地区的监管压力导致某类部署放缓，另一个地区仍可保持发展势头。

随着全球人工智能法规日益收紧，这种跨区域架构显得尤为重要。《欧盟人工智能法案》规定了具体

在安全、透明度和人工监督方面的义务。 与不透明的端到端重新训练管道相比，采用冻结模型并具备透明控制映射的技术可能更容易通过认证。韩国针对公共空间机器人制定了独立的监管流程，其倾向于务实的安 全工程。在两种监管体系下开展工作，将促使实验室更加专注于可解释性及便于审计的工具开发。

ECCV数据集的其余部分涵盖了感知领域的全栈应用

BLASt3R 专注于未校准的 3D 重建，在传感器校准漂移的真实建筑中，这种重建往往存在硬边界。一种能从不一致输入中恢复几何形状的方法，可减少停机时间并降低对技术人员的依赖。自回归 3D 场景生成技术为数字孪生提供了更快的“假设分析”能力，适用于布局规划、人流模拟和维护路线规划。 Multi HMR 2 将人体网格恢复转移到以摄像头为中心的框架中，这可以在无需逐传感器协调的情况下，简化多摄像头环境中的部署。这些组件共同指向一个非常务实的目标：构建一套感知技术栈，使其能在混乱的环境中正常运行，并确保机器人在无需博士团队长期驻场的情况下保持实用性。

关键在于，每个组件都能无缝融入现有的部署流程。NAVER 的现场机器人运营建立了一套绩效评估体系。无法提升车队生产力或降低干预率的论文将难以存续。这种严苛标准往往能提升诸如标量提取等看似微小的创新。 推理阶段的简洁性，远胜于需要每周进行马拉松式重新训练的“优雅”方案。

持怀疑态度的观点会不断施压，直至论点不攻自破

存在一种风险：在对抗性条件下，单一标量控制可能会显得脆弱。在互联网规模图像上训练的视觉变换器（Vision Transformers）可能会编码偏见，并将其带入导航中。反射、玻璃墙或季节性的光照变化都可能误导标量提取，导致机器人进入不安全状态。安全性

工程师们会对过度依赖单一潜在维度提出合理的担忧。冗余传感依然必不可少。激光雷达、深度传感器和保险杠传感器不会被淘汰。

此外还存在市场风险。如果这一技巧具有普适性，竞争对手便能迅速效仿。现成的“冻结”骨干网络随处可见，从开源的ViT变体到专有家族模型皆是如此。其准入门槛可能低于经典的端到端导航。这使得价值创造的重点转向了集成质量、车队管理软件以及服务可靠性。 NAVER的优势必须来自在真实场景中的执行速度，而非特征提取技术本身的新颖性。

监管机构也将对验证过程进行审查。映射到控制输出的标量值必须在各种边界场景下进行测试，例如儿童奔跑、人们手持镜子或应急照明等情况。认证框架更倾向于可追溯的特性。团队需要提供清晰的文档，将标量值与可解释的提示以及触发保守行为的安全逻辑联系起来。

一个用简单语言解释这一转变的比喻

想象一位能演奏复杂交响乐的小提琴家。训练他演奏新曲目成本高昂。NAVER的方法主张保留小提琴家原有的演奏方式，只需给他一个节拍器信号。这一脉冲在整个演奏过程中保持节奏，并减少了排练时间。 音乐依然源自一个丰富的模型，但控制回路只需响应一个最简的提示。虽然这个比喻并不完美，但它抓住了精髓。系统核心掌握着大量知识，而标量值则在不改变这些知识的前提下引导行动。

对芯片供应商和边缘计算选择的启示

如果机器人能够借助“冻结”的骨干网络进行导航，需求将从训练密集型 GPU 转向边缘端适合推理的加速器。这一变化将惠及那些能够高效处理变压器编码器的低功耗 AI 芯片供应商。它还拓宽了可部署计算的领域。商品化的 x86 架构搭配

一块性能适中的加速卡可能就足够了。这为采购提供了灵活性，因为运营商不再需要为每个站点配备顶级硬件。总体拥有成本呈下降趋势。热峰值减少意味着机箱所需的散热措施可以缩减。每次任务中电池的续航时间更长。维护间隔也相应延长。

云服务提供商仍将托管数字孪生、监控仪表盘和车队分析系统。然而，在许多机器人项目中，云支出中最昂贵的部分来自反复的模型重新训练。 冻结骨干网络可削减这部分开支。此时，云服务收入将转向编排和数据仓库，而非计算密集型的模型更新。这对供应商而言意味着不同的利润结构，对买家而言则提供了不同的谈判基础。

面对美国和日本机器人厂商的竞争态势

这一举措与美国企业追求通用控制技术的努力相交汇。谷歌旗下团队已探索了适用于机器人的大型行为模型，这些模型复用了预训练的视觉和语言组件。英伟达则通过合成数据和以仿真为主的工作流来推广Isaac平台。 Preferred Networks和丰田研究院等日本团队则将感知能力与坚固耐用的硬件相结合，应用于工厂和家庭场景。NAVER的切入点更为狭窄且精准。它专注于具有已知路线和可重复任务的高密度室内建筑，并采用简单的控制接口连接至功能丰富的视觉处理系统。这种务实主义在近期的商业应用中或许能胜过宏大的统一理论。

韩国的工业基础能够进一步放大这种方法的影响力。 电子制造商、家电品牌和物流企业均可采用这种与现有质量体系相契合的方法。这种方法减少重新训练的负担，强调操作纪律，能够与类似“改善”（kaizen）的流程无缝衔接。它还应能与亚洲的设施管理文化相契合——在亚洲，高服务标准和频繁的布局变更正与严重的劳动力短缺问题形成矛盾。

免责声明：本分析仅供参考，不构成任何投资、法律或采购建议。RobotAIGeek 不对特定供应商予以推荐，也不对早期技术的性能作出任何保证。