UNeMo团队 投稿 量子位 | 公众号 QbitAI 让机器人听懂指令，精准导航再升级！ 深圳大学李坚强教授团队最近联合北京理工莫斯科大学等机构，提出视觉-语言导航 （VLN） 新框架—— UNeMo 。 通过 多模态世界模型 与 分层预测反馈机制 ，能够让导航智能体不仅可以看到当前环境，还能预测接下来可能看到的内容，并据此做出更聪 明的决策。 相比主流方法，UNeMo可大幅度降低资源消耗，在未见过的环境中导航成功率可达72.5%，尤其是在 长轨迹导航 中表现突出。 目前，该论文已入选AAAI2026。 以下是更多详细内容。 语言推理与视觉导航的"脱节困境" 作为Embodied AI的核心任务之一，视觉-语言导航要求智能体仅凭 视觉图像 和 自然语言 指令，在未知环境中自主完成目标导航。 而随着大语言模型 （LLM） 的兴起，基于LLM的导航方法虽取得进展，但仍面临两大关键瓶颈： 优化目标冲突：推理模块与导航策略分开训练，导致两者适配性差，无法实现动态协同优化，存在性能瓶颈。 双模块协同打造"预判+决策"闭环 于是研究团队提出了UNeMo框架，其核心突破在于构建了 "多模态世界模型 （MWM） +分层预测 ...