机器人都能跑马拉松了，为什么走到前台还这么难？
机器人越来越会动了。四足机器人爬楼梯、翻越障碍早已不新鲜。今年北京亦庄的人形机器人半程马拉松上，甚至有近四成参赛队伍采用自主导航方式。
但如果终点不是赛道上的冲线，而是某栋写字楼的前台呢？
在 Vbot（维他动力）展示的一段导航演示中，机器狗接到的任务是：「国泰大厦前台见。」
按照任务设定，它需要从街边出发，穿过电动车与围墙之间的窄道，避让行人、绕开路障，再经过台阶、进入建筑。
对人来说，这不过是一段普通的路。对机器人而言，它不仅需要知道终点在哪里、应对一路上不断变化的环境，还要处理室内外路线的衔接。室外地图路线与室内规划路径可能来自不同系统，坐标参考和路线表达未必一致。进入建筑后，定位条件也可能发生变化。
室外能走，室内也能走，但把这两段路连成一次跨环境的连续任务，难度就是另一回事了。2026 年 7 月，密歇根大学等研究团队提出 NavVerse，专门将室内到室外的连续导航作为独立评测问题。研究发现，现有模型在寻找出口、环境切换和长时间目标搜索等环节仍面临挑战。
不同团队正在尝试不同的解决路径。Vbot 研究团队关注的，是如何把室外道路、建筑入口和室内空间串进同一次导航任务。相比让机器人分别具备室内、室外的导航能力，这还要求它在环境变化时，持续衔接路线信息和运动决策。为此，团队提出了面向室内外一体化长程导航的 VbotNav-0。
这套异步云边双策略框架以已有参考路线为基础，由云端理解路线、给出下一阶段的目标，机器人端则根据最新感知持续调整局部轨迹。让机器人既看懂接下来要去哪里，也持续判断眼前应该怎么走。
一路走到前台，光有地图还不 够
在传统导航系统中，室外路线可能由地图软件根据道路网络生成，室内路径则可能来自机器人预先建立的空间地图和路径规划器。两套路线都能够为机器人指明方向，但它们未必使用相同的数据格式和空间参考。
VbotNav-0 的选择，是用 Route Tokens（路线标记）统一室内外参考路线的表示方式。 简单来说，系统把已经规划好的室内外路线进行对齐，再从中提取机器人接下来需要行进的一小段路线，将其转换成以机器人当前位置为参考的局部几何信息。
除了描述接下来应该朝哪个方向走、路线如何转弯，这些 Route Tokens 还携带路线来源、是否可用、可靠程度以及当前路线进度等信息。
这样，无论机器人走在室外道路上，还是已经进入建筑内部，云端导航策略都可以通过同一类输入，理解接下来应该沿哪段路线前进。
而路线准备好了，也不代表机器人就能直接照着走。这和人类开车使用导航软件有些相似。地图可以告诉驾驶者前方路口右转，但路上的突发情况却要司机自己处理。
在一处狭窄的人行道上，机器狗左侧是围墙，右侧停着一排电动车，前方还有行人。这些障碍未必需要改变整段路线，但足以影响机器人眼前几米应该怎么走。
视频第一视角中叠加的绿色预测轨迹，展示的正是模型在当前环境下选择的局部前进方向。
云端和端侧关注的空间范围不同，对响应速度的要求也不同。如果每一次局部避障都交给云端大模型，机器人就需要反复上传信息、等待推理结果，通信与计算延迟可能影响它对环境变化的反应。但如果只依靠机器人端做出局部反应，又需要确保它始终遵循整体路线，而不是绕过障碍后越走越偏。
VbotNav-0 选择让不同层次的决策各司其职。
研究团队将导航系统划分为 System 2、System 1 和 System 0 三个部分。可以将它们理解成一名「领航员」、一名「司机」，以及负责具体执行动作的运动控制系统。
System 2 是云端的「领航员」，负责判断接下来去哪儿。
它采用一个拥有约 40 亿参数的预训练多模态模型，结合机器人当前看到的画面、此前经过的场景、用户的导航指令，以及参考路线信息，判断下一阶段应该前往哪里。
模型输出的是一个「子目标」（Subgoal）。子目标不是整个任务的最终目的地，而是过程中的一个中间位置。比如，机器人的最终目的地是办公楼前台，但它当前还在街边。云端可以先给出一个朝向建筑入口的局部航点，告诉它眼下应该往哪里走。随着机器人继续移动，云端再结合更新后的环境信息，提供后续指引。
System 1 是机器人端的「司机」，负责判断眼前怎么走。
它接收云端给出的子目标，同时读取摄像头和激光雷达采集的最新信息，生成具体的局部运动轨迹。
在技术实现上，VbotNav-0 使用 DINOv3 提取视觉语义特征，通过 DA2-Small 获取图像几何特征，再与 LiDAR 构建的鸟瞰视角空间特征进行融合。随后，一个基于 Flow Matching 的 16 层 Transformer，负责预测未来一小段运动轨迹。模型每次输出 10 个轨迹点，每个点包含相对位置与朝向信息。
这样一来，云端只需要给出下一阶段的方向，机器人端则根据当前环境判断如何朝这个方向移动。假如前方出现临时障碍物，整体路线不一定需要改变，但端侧可以重新生成局部轨迹，调整眼前的运动方式。
System 0 则是底层运动控制器。
它接收 System 1 预测的轨迹，将其转换成机器人实际执行的运动命令。
三个层次，由此组成了从路线理解、局部轨迹规划到运动控制的处理链条。但云端推理需要时间，机器人却必须持续观察和行动。两者怎样配合，才能不让局部运动受制于云端的更新速度？
这就涉及 VbotNav-0 的另一项核心设计：异步云边双策略协作。
按照论文设定配置，云端每秒更新约 2 次路线级指引，端侧每秒生成约 10 次局部轨迹，而底层控制器以更高频率执行运动控制。
但异步的关键，并不只是更新频率不同。更重要的是改变了它们之间的信息依赖关系。在 VbotNav-0 中，只要已有的云端指引仍然有效，即使还没有新结果返回，端侧就也能结合新的环境观测重新生成局部轨迹。比如，云端已经指引机器狗朝办公楼入口前进，途中突然出现行人，端侧便可以调整局部运动，而不必等待云端重新下达避障指令。
对于要在真实小区、真实商场里运行的消费级机器人，这种持续更新局部轨迹的能力，比单纯追求峰值性能更值得关注。
异步协作还要处理信息的新旧问题。假设云端在机器人接近路口时获取了一张图像，但等推理结果返回，机器人已经向前移动了几米。此时，如果只按照结果到达的先后顺序选择指引，就可能用到基于较早环境信息生成的判断。
因此，VbotNav-0 专门区分了三个时刻：云端获取环境信息的时间、推理结果到达的时间，以及端侧实际做出决策的时间。
按照论文设计，端侧会从已经到达且可用的结果中，选择源上下文最新的指引，避免较早生成、较晚返回的信息覆盖更新的导航判断。
当然，这仍然是系统设计层面的机制。至于长期断网或指引失效等情况，仍然需要更多实际部署验证。
事实上，将较慢的高层推理与较快的底层行动相结合，已是具身导航领域的一条研究路线。NaVILA、高德 ABot-N1 等研究，也探索了不同形式的分层导航架构。
VbotNav-0 则将统一的室内外参考路线接口，与异步云边双导航策略结合起来。Route Tokens 负责把不同来源的路线转换成共同的输入形式，云端策略沿着参考路线给出阶段性目标，机器人端则根据最新感知不断更新局部轨迹。
从路线理解到实时避障、运动控制，这些环节被组织进同一套导航架构，共同服务于跨越室外道路、建筑入口和室内空间的连续移动任务。
这也是 VbotNav-0 相比单独研究某一类环境、某一段路径或局部避障，更值得关注的地方：它将整段跨环境路线的连续执行作为系统设计目标。
不过，架构设计好了，不代表机器人就能稳定完成任务。如果它转错了弯、偏离了路线，甚至在原地来回徘徊，又该怎么办？
走错了路，机器人怎么办？
研究团队将训练分为两个阶段：首先训练云端模型理解路线、预测子目标，再训练机器人端根据当前感知生成局部运动轨迹。
其中，云端策略的训练除了常规监督微调（SFT），还引入了两类值得关注的训练信号。
一类是 DAgger 风格的纠错训练。
不同于只学习预先录制的专家示范，研究团队还会收集模型运行时出现的偏航、错误转弯、来回振荡和越过目标等状态，再利用专家纠正数据训练模型，让它接触更多偏离正确路线后的情况。
另一类是导航相关的视觉问答（VQA）训练，重点强化模型的空间理解能力。
对机器人而言，认出眼前是一条道路，不等于知道它能不能走。VQA 训练涉及可通行区域、道路规则、空间位置和航点诊断等任务，让模型进一步学习判断当前环境与规划路线是否匹配。
为了支撑训练，研究团队构建了超过 65 万条导航片段的数据集，累计时长超过 1,000 小时。其中，真实世界数据超过 35 万条，仿真数据超过 30 万条；按环境划分，室外数据超过 40 万条，室内数据超过 25 万条，涵盖人行道、路口、公园、商场、办公室和家庭等场景。
云端策略主要通过混合来源的数据学习导航与空间理解，端侧轨迹策略则主要使用真实机器人采集的 RGB、LiDAR 和局部轨迹数据，学习根据子目标生成避障轨迹。
那么，实际效果如何？
论文在 145 个自采集场景、258 个闭环评测回合中，将 VbotNav-0 与 CityWalker、ViNT、NaVid、NaVILA、SocialNav 等导航模型进行了比较。
VbotNav-0 最终取得 55.04% 的导航成功率（SR）和 55.03% 的路径长度加权成功率（SPL）。其中，SR 衡量的是任务是否成功完成，SPL 则进一步考虑成功任务的路径效率。
在相同评测设置下，参与比较的模型中，CityWalker 和 SocialNav 的成功率最高，均为 17.83%。VbotNav-0 比这组基线中的最好成绩高出 37.21 个百分点。
不过，VbotNav-0 的任务已经提供参考路线，测试采用保存的路线、渲染场景和统一的闭环评估规则，不能直接等同于 258 次实体机器人实地部署。与此同时，参与比较的模型虽然接入了相同评估器，却没有针对这套任务重新训练，接收的输入信息也不完全一致。
比整体成绩更能解释训练方法作用的，是论文中的消融实验。
研究团队分别移除了 DAgger 纠错数据和 VQA 联合训练，观察导航表现会发生什么变化。
结果显示，去掉 DAgger 后，导航成功率从 55.04% 降至 38.03%，下降 17.01 个百分点；去掉 VQA 联合训练，成功率则降至 45.81%，下降 9.23 个百分点。
在这套模型和测试条件下，两类训练信号都对最终导航表现有所帮助。其中，移除 DAgger 带来的成功率下降更大。这也说明，除了让机器人学习正确的路线，训练数据中那些偏离路线、需要重新调整的状态，同样值得重视。
VQA 的专项实验还提供了更具体的证据。经过相关训练后，模型对可通行区域类别的识别 F1 从 40.5% 提升至 87.2%，空间区域定位 F1 从 12.4% 提升至 59.1%。
论文还展示了一个航点诊断案例。
一组候选航点相对于正确路线出现了整体偏移。未经 VQA 训练的基础模型，错误地认为负方向坐标不合理；而经过训练的模型，则判断整组航点发生了约 5.81 米的偏移，与参考答案的 5.82 米十分接近。
显然，模型需要理解的，已经不只是眼前有哪些物体，还包括路线与空间位置是否匹配。
不过，单个案例并不代表整体能力。经过 VQA 训练后，模型的航点诊断通过率虽然从 3.5% 提升至 45.0%，但距离可靠地判断各种路线问题，仍有明显差距。在导航主实验中，VbotNav-0 预测的终点落入标注为不可通行区域的回合比例，也达到 38.76%。在判断局部目标是否可通行方面，仍有改进空间。当然，这一指标并不等于实体机器人实际发生碰撞的比例。
这些实验为 VbotNav-0 的导航表现，以及纠错训练和空间语义监督的作用提供了支持。但论文尚未充分验证异步机制在复杂通信条件下的独立收益。从特定评测中的成功，到真实环境中的长期稳定运行，仍然有距离。
从马路到前台，机器人还差什么 ？
「 国 泰大厦前台见」，对人类来说，只是一句再平常不过的约定。
但对现阶段只能在特定环境下完成明确任务的机器人而言，如果未来要承担园区巡检、楼宇服务乃至跨场景配送这类更复杂的工作，从室外道路进入建筑，再抵达室内的指定位置，就是其中一种典型需求。
VbotNav-0 将研究重点放在了这样一段连续的移动任务上。它尝试让机器人在已有参考路线的条件下，使用同一套导航架构完成跨环境移动。
而从技术演示走向真实使用，机器人还需要面对不断变化的环境。今天畅通的道路，明天可能多了施工围挡；同一条路线，也可能因为人流变化而需要重新调整运动方式。
在这方面，Vbot 已经有了消费级产品的实际使用基础。2026 年 5 月，维他的首款机器狗「大头」开始量产交付。根据其 8 月公开的数据，产品累计陪伴用户行走了 23,700 公里，过去 3 个月完成了 4 次 OTA 更新。
这些真实使用经历，为机器人发现新问题、积累反馈提供了机会。如何进一步将实际运行中遇到的问题转化为训练数据，并通过模型迭代改善导航能力，会影响机器人能否长期、稳定地完成任务。
当然，VbotNav-0 目前仍依赖已有参考路线。当然，进入没有地图的陌生建筑、可靠地完成室内外定位接续，以及应对长期通信异常等问题，也需要进一步解决。
过去几年，机器人不断刷新人们对运动能力的想象。而当它们真正开始走向工作岗位，我们仍在等待，面对一句普通的「前台见」，它能不能自己走过去。