浙大 PanoVLN：全景视觉语言导航成功率超 SOTA 11.9%，四足机器人实测

ZhejiangUniversity · hf · 2026-09-30

浙江大学提出 PanoVLN，用全景观察替代透视图像做视觉语言导航（VLN）。诊断发现仅换全景图收益有限，需要配套改造：置信度引导执行（CGE）策略动态决定一次执行多少预测动作再重规划，支持更长程规划；构建多分支点、指令清晰的训练路线提供路径选择监督；融合 RGB 全景的语义与几何特征捕捉空间关系而不增加视觉 token。4B 骨干、仅 RGB 输入下，在 R2R-CE 和 RxR-CE Val-Unseen 成功率分别超过此前 SOTA 11.9% 和 8.7%；四足机器人真实场景实验显示导航更快、停顿更少。