导航 VLA 基础模型对比：ABot-N0 / UrbanVLA / DualVLN / SocialNav
Contents
近期出现了一批面向具身导航的 VLA 基础模型，本文对四篇代表性工作进行横向对比：ABot-N0（AMAP CV Lab）、UrbanVLA（PKU EPIC）、DualVLN / InternVLA-N1（Shanghai AI Lab × HKU）和 SocialNav（AMAP EAI，CVPR 2026）。
0. 官方信息一览
| 模型 | 单位 | arXiv | GitHub | Project Page |
|---|---|---|---|---|
| ABot-N0 | AMAP CV Lab (Alibaba) | arXiv 2602.11598 | amap-cvlab/ABot-Navigation | ABot-N0 Page |
| UrbanVLA | PKU EPIC | arXiv 2510.23576 | — | UrbanVLA-Web |
| DualVLN | Shanghai AI Lab × HKU | arXiv 2512.08186 | InternRobotics/InternNav | InternVLA-N1 / DualVLN |
| SocialNav | AMAP EAI (Alibaba) × ZJU | arXiv 2511.21135 | AMAP-EAI/SocialNav | SocialNav Page |
1. 一句话总结对比
| 模型 | 一句话总结 |
|---|---|
| ABot-N0 | 一个统一 5 类导航任务（Point/Object/Instruction/POI/Person-Following）的"大一统" VLA 基础模型，配套 16.9M 轨迹 + 5M 推理样本的最大规模导航数据引擎。 |
| UrbanVLA | 一个面向城市 micromobility 的 route-conditioned VLA 框架，将高德式 roadbook 路书显式作为 prompt，“SFT + 离线 RL (IQL)” 联合训练。 |
| DualVLN | 首个面向 VLN 的 双系统基础模型：System-2（VLM，2 Hz）“慢慢 ground” 像素目标，System-1（DiT，30 Hz）“快快 move” 出连续轨迹，异步推理实现实时动态避障。 |
| SocialNav | 首个面向社会规范的导航基础模型：Brain-Action 架构 + 首个 flow-based RL（SAFE-GRPO）显式奖励社会合规行为，社会合规率较 SOTA +46%。 |
2. 解决的导航任务
| 模型 | 任务覆盖 |
|---|---|
| ABot-N0 | 同时统一 5 类任务：① Point-Goal（米制坐标点导航）② Object-Goal（开放词表物体搜索）③ Instruction-Following（自然语言长程指令）④ POI-Goal（兴趣点入口的"最后几米"）⑤ Person-Following（动态人体跟随） |
| UrbanVLA | 城市级 outdoor micromobility 导航，关注：goal-reaching、collision avoidance、social compliance；输入是高德 API 风格的 roadbook（高层路线 + 距离/方向指令） |
| DualVLN | ① VLN-CE（离散动作 R2R/RxR）② VLN-PE（物理仿真，Humanoid H1）③ Visual Navigation（point/image/trajectory goal）④ 提出Social-VLN 新基准（动态人体避障 + 任务恢复） |
| SocialNav | Socially-Aware Point-Goal Navigation：在 indoor + outdoor + 公共空间中遵循社会规范（人行道、斑马线，避开车道、草坪、禁入区）的轨迹生成 |
3. Model Architecture
| 维度 | ABot-N0 | UrbanVLA | DualVLN | SocialNav |
|---|---|---|---|---|
| 整体范式 | Brain–Action 单系统 | 单系统 route-conditioned VLA | 双系统（异步） | Brain–Action 单系统 |
| VLM 主干 | Qwen3-4B | Qwen2（基于 NavFoM 通用导航基座） | Qwen-VL-2.5 7B | Qwen2.5-VL 3B |
| 视觉编码 | 通用多模态 token 编码器（统一 RGB/历史/Goal） | DINOv2 + SigLIP 通道拼接 → grid pooling → 2× MLP | Qwen-VL 自带 ViT；System-1 用 DepthAnythingV2-Small ViT + Q-Former 压缩到 32 token | Qwen2.5-VL 自带 ViT |
| Brain 输出 | Reasoning Head（语义/CoT）+ Action Head | 文本 token（VideoQA） + action token | Pixel Goal + 视角调整动作 + 4 个可学习 Latent Queries（prompt tuning） | 三类文本：可通行 polygon / CoT / VQA |
| Action Expert | Flow Matching，输出 5 个 waypoint（位置 + heading） | MLP-based action model 解码 waypoint | DiT（12 层，hidden 384，6 heads）+ Flow Matching，输出 32 dense waypoints | DiT（12 层，hidden 1536，12 heads）+ Conditional Flow Matching，K=5 步去噪 |
| 关键 prompt 设计 | 多任务统一 token | 40m / 20 waypoints + “30m 后右转"风格 block 指令，对齐高德 API | “Farthest Pixel Goal Grounding” + Self-Directed View Adjustment（Turn ±15°, Look Up/Down 15°） | Socially Traversable Region 多边形预测 |
| 推理频率 | 2 Hz VLA + 10 Hz 控制 | 2 Hz | 2 Hz (Sys-2) + 30 Hz (Sys-1) + 200 Hz 控制 异步 | 单系统推理（K=5 去噪步） |
| 本体 | Unitree Go2 + Jetson Orin NX 16GB | Unitree Go2 + Jetson Orin（Web-ADK + 远程 4090） | 多机器人 + Humanoid Unitree H1 | Unitree Go2 |
4. Data Recipe（按数据来源 / 技术路线分层）
下面按"数据来自哪里、怎么生成“组织成三张大表（Trajectories / Reasoning / 任务覆盖总览）。每张表都按技术路线分组（如：互联网视频 → 3D 重建、3DGS 仿真、真机公开数据、视频生成模型合成 …），层级用粗体彩色行标识。表格容器支持横向滚动，所有论文中的关键规模数字、数据集来源、Teacher VLM、pipeline 关键步骤均完整保留。
4.1 Trajectories Dataset（按数据生产路线分层）
| 数据来源 / 技术路线 | ABot-N0 | UrbanVLA | DualVLN | SocialNav |
|---|---|---|---|---|
| A · 互联网第一人称视频 → 3D 重建 / SfM → 伪轨迹 | ||||
| A.1 π³ 稠密 3D 重建 + MoGe 米制对齐 + 沿相机流形采 (s,g) 对 | 2.0M Point-Goal pseudo-traj（覆盖全球建筑 / 天气长尾） | — | — | 2.0M ETP $D_\text{video}$ 层（与 ABot-N0 完全同流水线） |
| A.2 MegaSaM SfM 从 YouTube walking/drone 视频提取相机轨迹 | — | Sekai-Real web 视频（用作 SFT route 数据） | — | — |
| B · 高保真 3DGS / 3D 场景 + 物理仿真 | ||||
| B.1 公开室内场景：HM3D + InteriorGS（residential 2,318 户） | 含于 1.7M 3D-scene Point-Goal；同时供 Object-Goal / Instruction-Following 复用 | — | 沿用 MP3D 60 scenes + HM3D 700 scenes（StreamVLN recipe） | 含于 1.7M $D_\text{sim}$（公开 indoor 场景） |
| B.2 自建 3DGS 公共场所：Office / Mall / Station（其中 Mall 3.02 km²，多层 + 反光玻璃店面） | 含于 1.7M Point-Goal；标注 traversable graph，禁止穿入家具/工位 | — | — | SocialGS：3,400 真实场景 3DGS 重建 / 4.5 km²（突破 MP3D / InteriorGS 仅 residential） |
| B.3 户外 LiDAR + 摄影测量重建（路口 + 8 个公园） | 37 scenes，路网严格禁止入车道 | — | — | — |
| B.4 动态虚拟城市 SocCity（Isaac Sim，3.37 km²，模拟车辆 + 行人 + 分层 occupancy） | 含于 1.7M Point-Goal，用于学社会合规 + recovery | — | — | 含于 1.7M $D_\text{sim}$；亦作为 SAFE-GRPO RL 训练场 |
| B.5 轨迹合成关键技巧：sample (s,g) + path-finding；注入 off-path / near-collision 起点强制学 recovery | ✅ 同时用于 5 类任务的轨迹底座 | — | — | ✅ 与 ABot-N0 完全同方法 |
| C · 经典程序化 / 物理仿真器（Habitat / MetaUrban） | ||||
| C.1 Habitat + R2R 最短路径（teacher forcing 拆步 + 数据平衡） | 200K R2R（600K → 平衡到 200K） | — | 含于 990K StreamVLN recipe | — |
| C.2 Habitat + RxR 长程 + 高语言密度 | 1.3M RxR（1.8M → 1.3M） | — | 含于 990K StreamVLN recipe | — |
| C.3 Habitat + ScaleVLN（700 个 HM3D 场景，扩多样性） | — | — | 300K（StreamVLN recipe 中段） | — |
| C.4 Habitat + DAgger 专家纠错 | — | — | 240K（含于 990K） | — |
| C.5 Habitat + 人体检测触发 A* 重规划（动态避障数据采集 pipeline） | — | — | 763K Social-VLN episodes（60 MP3D 场景） | — |
| C.6 Habitat ObjectNav（HM3D 6 类闭集 + OVON 开放词表） | HM3D 0.4M（6 类 × 80 scenes）+ OVON 1.4M（145 scenes × 35K episodes）+ OVON-sub 0.2M（target 首次入 FoV 截断） | — | — | — |
| C.7 InteriorGS 自研 visibility-based 轨迹生成 pipeline | 1.6M（1,000 scenes / 700+ obj 类） | — | — | — |
| C.8 InteriorGS Door-Traversal（门口附近采起始位姿，强制后向多样化） | 6K clip → 0.3M | — | — | — |
| C.9 数字人语言-引导搜索（200 个 InteriorGS 3DGS avatar + 2,000 个 Habitat mesh avatar，每场景 2~5 个干扰人，属性组合 + LLM 润色描述） | 4K clip → 0.2M | — | — | — |
| C.10 InteriorGS Short-Horizon 原子动作（旋转/平移/复合：turn 60° / move 1m） | 12K clip → 0.8M（作为正则化稳定训练） | — | — | — |
| C.11 MetaUrban 程序化城市仿真器 + PPO expert（ORCA 全局规划） | — | ≈ 2,400 episodes / 40h（基础 SFT） | — | — |
| D · 真实机器人公开数据集（统一为 Point-Goal 格式） | ||||
| D.1 SCAND + HuRoN + Recon + CityWalker teleop（保留非完整约束 + 传感器延迟） | 340K real-world Point-Goal | — | — | 340K $D_\text{real}$（与 ABot-N0 完全同来源） |
| E · 自采真机遥操作（in-house teleoperation） | ||||
| E.1 Unitree Go2 真人遥操作（urban scenes，作为 sim-real aggregated 数据的 real 端） | — | ≈ 8 小时 | — | — |
| F · 视频生成模型合成（Diffusion I2V） | ||||
| F.1 单图 → 分割 + 深度 → 局部 occupancy → A\* 路径 → Wan2.1-I2V Diffusion 合成第一人称导航视频（"静态街景 → 主动导航视频"扩增） | 2.5M POI-Goal trajectories | — | — | — |
| G · 类人仿真轨迹（TrackVLA-style humanoid） | ||||
| G.1 基于 TrackVLA 开源 humanoid avatar 轨迹 + A\* 计算最优 waypoint；3 距离（2.0/1.5/1.2m）× 3 类（STT 单目标 / DT 干扰 / AT 模糊）× 400K + 400K target-absent | 4.0M Person-Following（含跟随距离 / 干扰 / 目标缺失） | — | — | — |
| H · 数据后处理（轨迹精炼算法） | ||||
| H.1 HTL（Heuristic Trajectory Lifting）：① Savitzky-Golay 去噪（web 轨迹）/ ORCA 直用 ② 自相交剔除 ③ corner detection 切段 ④ 高斯位置噪声扰动 ⑤ 平滑合并 + 固定步长重采样 → abstracted route（与高德 API 输出对齐） | — | ✅ 用于把 sim PPO + real teleop + Sekai web 三源融合成 sim-real aggregated dataset | — | — |
| ⏤ Trajectories 数据小计 | ||||
| 总规模 / 任务数 | 16.9M（5 任务） | 40h sim + 8h real + Sekai web（route-conditioned 单任务） | 990K（System-2 VLN）+ ≤10% 蒸馏（System-1）+ 763K Social | ≈ 4.04M（ETP 三层） |
4.2 Reasoning / VLM Dataset（按数据生产路线分层）
| 数据来源 / 生产方式 | ABot-N0 | UrbanVLA | DualVLN | SocialNav |
|---|---|---|---|---|
| I · 人工标注（Polygon / 区域） | ||||
| I.1 第一人称户外视频帧 → 人工标注 socially traversable polygon（人行道 / 斑马线 / 公园步道）vs 非可通行（车道 / 草坪） | 1.2M Navigable Areas Analysis（输出语义标签 + 多边形坐标） | — | — | 1.2M Social Traversability Recognition（与 ABot-N0 完全同方法） |
| II · VLM Teacher 蒸馏（自动 CoT / 结构化标注） | ||||
| II.1 Social Navigation CoT — 第一人称图 + prompt → 结构化 rationale（如"红灯需等待"） | 0.8M，Teacher = Qwen-VL-Max（沿用 SocialNav pipeline） | — | — | 825K，Teacher = Qwen2.5-VL-72B |
| II.2 Instruction-Following milestone Visual CoT — 30K R2R/RxR clip → 拆原子子指令 → 标注 milestone node → 生成 Visual CoT（含当前/历史观测 + 已完成/未来指令 + 动作）；NavForesee pipeline | 1.3M，Teacher = Gemini-3 Pro + Qwen3-VL | — | — | — |
| II.3 Object-Goal 4 段式 CoT（target 可见性 → 空间关系 → 路径规划 → 原子动作）+ 与 GT 轨迹的一致性过滤（丢弃幻觉） | 0.1M（OVON），Teacher = MLLM | — | — | — |
| II.4 POI Grounding — BridgeNav 街景 → 自动生成 ⟨POI 名称, 入口像素坐标 (u,v)⟩ 元组 | 0.5M VQA，Teacher = Qwen3-VL-Plus | — | — | — |
| III · 公开 VLM 语料（保留通用 vision-language 能力） | ||||
| III.1 General VQA + EQA（常识 + grounding + 室内具身） | 1.1M：Blip3 + COCO2014/2017 + MAmmoTH-VL + RefCOCO + Objects365 + R2R-EnvDrop + ScanQA | — | — | 1M（多源公开 VQA） |
| III.2 Real-world VideoQA（长视频时-空理解） | — | LongVU + Sekai | 248K = LLaVA-Video-178K + ScanQA | — |
| III.3 Interleaved Image-Text（多轮 VL 交互） | — | — | 230K MMC4 | — |
| ⏤ Reasoning 数据小计 | ||||
| 总规模 | 5.0M（6 子类） | LongVU + Sekai（VideoQA） | 478K（VideoQA + Interleaved） | ≈ 3.0M（CAD 三大类） |
4.3 数据 → 任务覆盖总览（“哪些数据用在哪些任务”）
| 导航任务 | ABot-N0 | UrbanVLA | DualVLN | SocialNav |
|---|---|---|---|---|
| Point-Goal / Route-Goal | ✅ 4.0M（A.1 + B + D） | ✅ 40h sim + 8h real + Sekai（A.2 + C.11 + E + H.1） | — | ✅ 4.04M（A.1 + B + D） |
| Instruction-Following（VLN） | ✅ ≈2.8M（C.1+C.2+C.7~C.10） | — | ✅ 990K（C.1+C.2+C.3+C.4） | — |
| Object-Goal | ✅ ≈3.6M（C.6 + C.7） | — | — | — |
| POI-Goal | ✅ 2.5M（F.1） | — | — | — |
| Person-Following | ✅ 4.0M（G.1） | — | — | — |
| Social-VLN / 动态避障 | — | — | ✅ 763K（C.5） | — |
| Socially-Aware Navigation（合规推理） | ✅（I.1 + II.1） | — | — | ✅（I.1 + II.1） |
4.4 几条横向观察
- Point-Goal pipeline 是公认底座：ABot-N0 / UrbanVLA / SocialNav 三家都把"点目标 / 路线条件下到达坐标"作为最底层数据范式；其中 ABot-N0 与 SocialNav 完全共用同一条互联网视频 pseudo-traj pipeline（A.1：π³ + MoGe）+ 同一批真机公开数据（D.1：SCAND / HuRoN / Recon / CityWalker）+ 同一虚拟城市（B.4：SocCity）——这与两者同属 AMAP 体系一致，ABot-N0 论文中也明确写到 “More details of this pipeline is reported in our SocialNav”。
- 数据生产路线的时代分层：互联网视频 → 3D 重建 / SfM（A）= 突破 trajectory 数据规模上限；3DGS（B.2 SocialGS）= 突破场景多样性上限（不止 residential）；Diffusion I2V（F.1）= 突破"静态街景如何变成主动导航视频"的数据上限。三者代表了 2026 年具身导航数据生成的三个新方向。
- 数据规模 vs 算法：UrbanVLA 不堆数据，靠 HTL（H.1） 把仿真 PPO + Sekai web + 8h 真实 teleop 三源融合，加上 IQL 离线 RL 替代纯堆数据，是"少数据 + 巧训练"的极简路线代表。
- DualVLN 的解耦数据哲学：System-2 沿用 StreamVLN 大数据 recipe（C.1~C.4，990K），System-1 仅靠从 System-2 蒸馏的 ≤ 10% 数据即近饱和——双系统天然解耦数据需求。
- Reasoning 数据的"三件套”：人工 polygon（I.1）+ Social Nav CoT（II.1）+ General VQA（III.1）在 ABot-N0 / SocialNav 中是同一套（ABot-N0 在此基础上加了 II.2 / II.3 / II.4 三类任务特化推理数据）。
- Teacher VLM 的代际差：SocialNav 用 Qwen2.5-VL-72B 蒸馏 → ABot-N0 升级到 Qwen-VL-Max + Gemini-3 Pro + Qwen3-VL/Plus 多 teacher 配合，反映了 2026 年这一年间 frontier VLM 的快速迭代。
5. Training Recipe
| 模型 | 训练流程 |
|---|---|
| ABot-N0 | 多阶段联合训练（Pre-training + SFT），同时优化 Reasoning Head 与 Action Head；多任务统一损失。在 7 个 benchmark 上达到 SOTA。 |
| UrbanVLA | 两阶段：① SFT 学习目标到达 / 避障 / 社会合规（MetaUrban + Sekai 轨迹 + VideoQA 协同训练）→ ② Offline RL（IQL，Implicit Q-Learning） 在 sim-real 混合数据上做 RFT，专门强化避障 & 处理模糊指令；8× H100 ≈ 12h。 |
| DualVLN | 解耦顺序训练：① System-2 全参 SFT（Qwen-VL-2.5 1 epoch，vision encoder + LLM 全部 unfrozen）→ ② 冻结 System-2，仅 prompt-tune 4 个 latent queries → ③ 训练 System-1 DiT（Flow Matching loss，输入 latent goal + 当前/历史 RGB）。System-1 数据扩到 10% 即近饱和。 |
| SocialNav | 三阶段：① Pre-training（$D_\text{video} + D_\text{sim} + D_\text{cog}$，端到端，96× H20，3 epoch，bs=192，lr=5e-5）→ ② Fine-tuning（$D_\text{real}$，冻结 VLM，仅训 action expert，32× H20，bs=256，lr=1e-5）→ ③ SAFE-GRPO（首个 flow-based RL；ODE → SDE 注入探索噪声；reward = $R_\text{social} + \lambda R_\text{expert} + \lambda R_\text{smooth} + \lambda R_\text{eff}$；16× H20，rollout bs=128，lr=5e-7）。 |
6. 一些观察
- 结构演进路线：从 UrbanVLA 的「单系统 + route prompt」→ ABot-N0 / SocialNav 的「Brain-Action 单体多输出」→ DualVLN 的「真异步双系统」，控制频率从 2 Hz 提升到 30 Hz，对动态场景越来越友好。
- 数据流水线趋同：四个工作里有三个（ABot-N0 / SocialNav / UrbanVLA）都用了互联网视频 → 3D 重建（π³ / SfM）→ 米制对齐（MoGe / MegaSaM）→ pseudo-trajectory 的范式来突破 trajectory 数据规模上限。
- RL 的位置：UrbanVLA 用 离线 IQL 修补避障/模糊指令；SocialNav 提出 SAFE-GRPO（flow-based on-policy RL） 显式对齐社会规范；ABot-N0 / DualVLN 的公开版本主要还是 SFT。
- 任务统一 vs 任务专精：ABot-N0 走"一个模型五种任务"的统一路线；UrbanVLA / SocialNav 各自专精 outdoor 城市 / 社会合规；DualVLN 通过双系统解耦反而把 VLN-CE / VLN-PE / Social-VLN 都吃下来了。
- 本体几乎一致：四篇全部以 Unitree Go2 为主要部署平台（DualVLN 还覆盖了 Humanoid H1），可见四足在 outdoor / 社会化场景已是事实标准。