$双林股份(SZ300100)$  机器人是人工智能最重要的载体。视觉语言模型（VLM）是一种多模态生成式AI模型，能够对文本、图像和视频提示进行推理。它通过将大语言模型（LLM）与视觉编码器相结合，使LLM具有“看”的能力。

传统的机器人行动往往依赖于预先绘制的地图和复杂的传感器系统。而NaVILA模型不需要预先的地图，机器人只需“听懂”人类的自然语言指令，结合实时的视觉图像和激光雷达信息，实时感知环境中的路径、障碍物和动态目标，就可以自主导航到指定位置。

不仅摆脱了对地图的依赖，NaVILA还进一步将导航技术从轮式扩展到了足式机器人，希望让机器人应付更多复杂场景，使其具备跨越障碍和自适应路径规划的能力。

在论文中，加州大学研究人员使用宇树Go2机器狗和G1人形机器人进行了实测。根据团队统计的实测结论，在家庭、户外和工作区等真实环境中，NaVILA的导航成功率高达88%，在复杂任务中的成功率也达到了75%。