给机器人导航，和给人指路，是两码事。商业地图可以告诉它“前方右转”，却没法直接告诉它眼前应该从哪里转、沿哪一侧通过；就算路线已经生成好了，控制误差、地面变化、动态障碍这些现实因素，也可能让机器人在行进过程中一点点偏离预定轨道。

说白了，这背后反映的是一个核心问题：路径被规划出来，并不等于路径可以被执行。

这正是长程导航从“规划正确路线”走向“真实闭环执行”时，必须跨越的一道坎。

正是为了解决这个问题，星源智提出了DA-Na v——一套面向城市级长程场景的方向感知视觉语言导航框架。它的思路很清晰：把商业导航指令、机器人第一视角的空间理解，以及偏航后的恢复能力，统统整合到同一条决策链路里。这样一来，机器人不仅能够理解“往哪里走”，还能判断“当前是否走偏”，并且一旦偏离，可以主动回到正确路线。

这套设计最核心的变化在于：导航系统开始具备“执行过程中的自我校正能力”。

DA-Na v架构图

突破指令与动作鸿沟

把“前方右转”落到眼前

对人类来说，“前方右转”是一条足够清楚的指令。人可以结合路口结构、当前朝向和道路形态，自然判断下一步该从哪里经过。但这一认知过程，本质上依赖的是人类对三维空间的完整理解，而不是语言本身。

所以，对机器人而言，这类面向人类认知设计的方向指令仍然过于抽象，不能直接转化为局部轨迹。

DA-Na v的解决方式很巧妙：它没有让视觉语言模型直接预测连续的三维坐标，而是把机器人第一视角中的道路空间划分为候选区域，让模型先在画面里判断接下来应该经过哪些位置，再由控制模块把这些空间落点转化为可执行轨迹。

这一机制的关键意义在于：语言指令第一次被稳定映射到了“空间决策点”，而不是停留在抽象语义层面。

换句话说，模型不再凭空“画出一条路”，而是在自己看到的场景中连续指出：下一步走这里，再走这里。这一变化，将视觉语言模型的“理解能力”转化为了“空间执行能力”。

DA-Na v空间落点机制

在此基础上，DA-Na v进一步将导航决策组织为：状态判断—动作选择—轨迹预测。机器人首先判断当前是否偏离路线，再决定继续前进、转弯或进行方向修正，最后生成局部空间目标。

这一结构，让导航从“直接响应指令”，转向了“持续状态判断驱动”。对Na vBrain而言，这建立起了从长程方向理解到局部行动执行之间，更清晰、更稳定的决策链路。

结构化决策

让导航从直接预测走向先判断、再行动

这里必须强调一点：在长距离导航中，偏航不是偶发异常，而是持续执行中的常态。说白了，偏航不是错误，而是系统运行过程中必然的状态。

地面打滑、控制误差、动态障碍、视觉波动——这些因素都可能让机器人逐渐离开原定路线。但传统导航数据集通常以专家正确轨迹为主，模型学习的是“理想情况下应该怎么走”，却很少真正经历偏航与恢复的过程。

这类模型可以沿正确路线前进，却未必知道自己何时已经走偏，更不知道应该如何重新回到路线。

为此，DA-Na v构建了ReDA恢复感知导航数据集，通过受控扰动主动制造偏航状态，并记录相应的专家恢复行为。模型由此不仅学习如何走对，也系统学习了三个问题：什么时候已经偏航、应该向哪一侧修正，以及如何重新回到正确路线。

这意味着，导航学习从“单一正确轨迹学习”，扩展为“包含错误状态的完整经验学习”。

真实路口基础动作对比

ReDA共包含约28.6万条时序样本，其中约12.8万条为恢复数据。大规模恢复样本让模型在训练阶段接触了大量非理想状态，并建立起了偏航判断与纠正动作之间的稳定关联。从实验结果来看，这一设计补上了长程导航中“错误经验缺失”这块短板。

完整模型的纠正成功率高达98.15%；去除恢复数据后，这一指标骤降至15.46%，导航成功率也由59.00%下降至29.71%。这组差异意味着，纠偏并不是模型在执行过程中自然获得的附加能力。只学习正确路线，机器人可能能走一段；只有把错误状态和恢复过程明确纳入训练，机器人才能在偏航后真正找回方向。

所以，DA-Na v的贡献在于，不只训练机器人怎样走对，也训练它走错后怎样回来。

98.15%纠正成功率

提升Na vBrain长程闭环上限

在覆盖已见和未见城市场景的长程闭环评测中，DA-Na v取得了59.00%的导航成功率、77.82%的路线完成率和98.15%的纠正成功率。这一组结果的关键意义，并不在于整体成功率，而在于“纠偏能力接近稳定可靠”。

DA-Na v跨城泛化与压力测试

其中，98.15%的纠正成功率最能体现这项研究的价值。如果把长程导航比作沿着一条细线行走，传统方法更擅长在没有干扰时沿线向前；DA-Na v则进一步具备在偏离细线后主动靠回来的能力。这意味着系统不只是“能走对”，而是“能在走偏后恢复正确路径”。

对长程任务而言，每一次成功纠偏，阻止的都不只是一次局部错误，而是误差在后续过程中的持续累积。机器人不会因为一次偏移彻底离开路线，而能够在行进过程中不断判断、不断修正。

这种能力，也让DA-Na v具备了更强的跨场景和跨本体迁移价值。同一高层导航策略，在没有使用真实世界数据进行微调的情况下，被部署到四足机器人和人形机器人上，并完成了超过1200米的真实环境导航验证。这说明系统学习到的不是“某条路径”，而是一种可迁移的导航决策能力。

从单点决策到长程闭环

DA-Na v升级Na vBrain导航能力

在Na vBrain的能力链路中，DA-Na v扮演的角色是长程方向理解、局部目标生成与主动纠偏。它并不是要替代规划模块，而是让规划结果能够在执行过程中持续成立。

它接收地图提供的全局方向，结合机器人第一视角判断下一步应该经过的位置，并在执行偏差发生后主动恢复。由此，Na vBrain形成了一条更加完整的闭环：理解方向—生成目标—执行轨迹—判断偏差—主动修正。

DA-Na v的研究价值，不只是将“前方右转”转化成一个局部空间落点，也不只是提升一次轨迹预测的准确率。它更关键的贡献在于：将长程导航从“路径生成问题”，推进为“持续执行问题”。

对Na vBrain而言，这意味着导航能力不再停留在“知道目的地在哪里”，而是进一步具备了在复杂、连续、不断变化的真实环境中，把一条路线持续走下去的能力。