轻量化后训练，构筑物理AI入口。
作者｜田思奇
编辑｜王博
在具身智能领域，机器人在抓取和操作上的进步更容易吸引目光。但要真正进入个人生活，机器人还必须具备可靠的自主移动能力。如何在陌生环境中理解指令并完成导航，同样是具身智能走向实际应用的关键。
不久前，北京大学与启元机器人团队提出的HIL-UMI作业智能学习范式，引发了具身智能领域的广泛讨论。这项研究让模型参与人类示范数据的采集，提高操作技能的学习效率，展示了作业智能迈向大规模后训练的一种新方法。
具身导航也在探索类似的技术路径。大模型已经显著拓展了机器人的语言理解与视觉感知能力，但面对不同的真实建筑，导航成功率仍可能大幅下降。如何通过后训练提高机器人对具体环境的适应能力，成为新的研究方向。
上周，北京大学长聘副教授、启元机器人首席科学家董豪领衔的研究团队公布论文《One Scan is Enough》，提出一种基于大模型的场景后训练新范式。研究人员只需用带激光雷达的iPhone扫描一次目标环境，系统就能自动生成导航任务，并利用重建场景的几何信息进行强化后训练，无需在目标环境中采集人工遥操作示范。
在五处真实室内环境的200次真机测试中，未经场景适配的导航模型成功率为25%，人工示范微调后达到49%，采用新方法则提高至85%。仅凭一次环境扫描启动的后训练，取得了明显优于人工示范微调的效果。
这项研究延续了董豪团队近年来在大模型导航、通用指令和自主纠错等方向的探索。与此同时，启元9月20日发售Q1、T1两款个人机器人，10月25日第5000台机器人下线。前沿研究与规模化产品供给同步推进，为启元探索物理AI入口提供了技术与硬件两方面的支撑。
1.从通用导航到自主学习，
为什么需要新的范式？
基于AI的自主导航研究，早在大模型出现之前就已经展开。其中一种典型路径是视觉语言导航（VLN）：先在仿真环境中采集数据、训练模型，再部署到实体机器人上。
但仿真与现实之间存在Sim-to-Real问题。真实机器人的相机型号、安装高度可能与仿真设置不同，部署环境的空间布局和视觉特征也存在差异，导致导航成功率大幅下降。
大模型的发展提供了另一种可能。经过互联网规模的数据训练，大模型已具备较强的视觉泛化能力，能够识别更加丰富的物体与场景。但大模型本身并不具备直接控制机器人导航的能力，如何将这些知识用于机器人的感知和行动决策，仍需要新的方法。
2024年，董豪团队提出了全球首个真实世界落地的导航大模型系统DiscussNav，首创大模型多专家协作的模式。研究设计了覆盖指令理解、环境感知、完成估计和动作决策的四类大模型智能体，通过协商讨论，共同完成真实环境下的视觉语言导航。
这种通过多专家讨论决定行动的机制，将不同大模型的能力组织起来，让机器人利用通用视觉语言知识进行导航，而不必针对导航任务专门训练大模型。DiscussNav在零样本导航测试和真实机器人实验中取得了领先表现，推动了零样本导航的后续研究。
专家智能体的构建，以及DiscussNav智能体与多个专家智能体之间的协商讨论机制。
不过，能够按照路线导航，还不等于能够满足人们在实际生活中的需求。
视觉语言导航通常需要给机器人输入明确的步骤，比如“往前走，出门右拐，走到头，左拐”。但真实生活中，人们可能只会说一句“找到我的手机”，或者说“我渴了”。
对于后一种需求，机器人需要自己判断应该去哪里找水；如果找不到，还可以考虑果汁、水果等替代品。这种根据用户需求推断导航目标的方式，才更接近真实的人机交互。
此前，不同类型的导航指令通常需要分别训练模型，难以满足实际场景中多样化的用户需求。
为此，董豪团队在2024年提出全球首个通用指令导航系统InstructNav，能够同时支持视觉语言导航、寻物导航和需求驱动导航三大范式。该工作通过动态导航链路统一不同类型指令的规划过程，并利用多源价值地图融合环境与目标信息，生成导航动作。
InstructNav能够在多种室内场景中理解并执行不同类型的导航指令
机器人由此可以在同一框架下处理不同的用户指令。但大模型能够理解任务，并不代表每一步行动都不会出错。
2026年，董豪团队将研究进一步推进到导航过程中的自主纠错。具有泛化能力的大模型，在控制机器人连续行动时仍可能出现推理偏差，误差不断累积，最终影响任务完成。
如果仅依赖增加预训练数据来减少错误，投入巨大，实际效果却未必理想。因此，董豪团队开始探索轻量而有效的导航后训练方法，让模型能够从错误中学习，在多次尝试中提高能力，并向递归自我改进（RSI）迈进。
该团队提出的CorrectNav采用“自纠错飞轮”后训练范式，将模型自身产生的错误轨迹转化为训练数据，让机器人学习如何从错误中恢复。
这一过程同时覆盖感知和动作两个层面：
在感知层面，系统借助多模态大模型分析出错位置附近的关键画面，生成地标描述和视觉问答，帮助导航模型理解周围环境；
在动作层面，则从偏离位置重新规划路线，教会机器人如何走向目标。
CorrectNav的训练流程
经过后训练，纠错能力被内化到导航模型中，使机器人能够根据视觉反馈调整行动，而不必在部署时额外增加复杂的反思模块或冗长的推理过程。
从利用大模型参与导航决策，到通过后训练学习纠错，董豪团队逐步拓展了机器人的导航能力。但当机器人进入一栋全新的建筑，如何以更低的成本完成场景适配？
2.One Scan is Enough：
一次扫描，开启场景自主后训练
让预训练后的导航大模型在不同家庭中持续稳定地运行，是具身导航当前最重大的挑战之一。
通用导航模型已经具备一定的环境理解与行动能力，但进入新的建筑后，实际表现仍可能明显下降。一种常见的适配方法，是由操作人员遥控机器人行走，记录完整轨迹，再利用人工示范数据微调模型。
如果每换一个环境，都需要重新采集示范轨迹，就难以支撑To C的大规模应用。真机运行受到电池续航和人员投入的限制，采集一条导航轨迹也需要实际行走的时间。对于进入不同家庭的个人机器人，这样的成本太过高昂。
针对这一瓶颈，董豪团队提出“One Scan is Enough”，探索用一次简短的iPhone扫描，替代目标场景中的人工导航示范。
研究人员手持带激光雷达的iPhone在室内行走一遍，采集环境的视觉与深度信息。五处真实场景总面积768平方米，单处扫描耗时9至20分钟，累计仅62分钟。随后，系统利用3D高斯泼溅技术重建室内的视觉外观，并提取可通行区域和障碍物等几何信息。
经过必要的人工场景校准，Scan2Instruction编译器便可以利用重建后的环境自动生成导航训练任务。系统在可通行区域内选择起点和终点，规划参考路线，再渲染机器人沿途看到的第一视角画面，由多模态大模型生成相应的自然语言指令。
Scan2Instruction数据生成管线
这些指令涵盖路线跟随、寻物和用户需求三类任务。机器人既可能需要按照路线提示前进，也可能只被要求寻找某件物品，或者根据用户的需求自行判断目的地。五处场景由此自动生成了1500条训练任务，无需操作人员遥控机器人逐条采集示范轨迹。
有了训练任务后，还需要解决模型在训练中判断自己的行动是否正确的问题。
为此，团队进一步提出PRPT-KS强化后训练算法，直接利用重建场景中的几何信息，从前进进度、避障安全和正确停止三个维度评价模型行为，并据此对导航模型RealNav进行后训练。 整个过程无需针对目标场景采集人工任务示范或人工偏好标注。
PRPT-KS闭环后训练流程
例如，系统可以根据机器人沿规划路径接近目标的进度计算反馈；当模型预测的动作可能发生碰撞时，几何规划器会给出安全的替代动作，并将原始预测与修正结果用于后续学习。
不同于需要额外训练神经网络来估计行动价值的方法，PRPT-KS直接利用环境中的几何条件计算反馈，让模型能够在重建场景中反复训练，逐渐改进导航策略。
在五个真实环境的200次真机评测中，未经目标场景适配的RealNav成功率只有25%；采用人工示范进行后训练后，成功率达到49%；One Scan的免示范后训练则将这一数字提高到85%。
团队还测试了扫描范围之外的区域。在同一建筑内未经扫描的空间中，新方法的导航成功率仍达到82%，人工示范微调的基线为41%。这说明，训练效果并不局限于已经扫描的路线，还可以延伸到同一建筑中未覆盖的区域。这些结果也为具身导航的大规模后训练提供了新的可能。
整体自适应与部署管线
3.从模仿学习到自主改进：
大规模后训练的下一步
在董豪看来，One Scan的意义还在于探索具身智能未来的训练方式。
他向「甲子光年」指出，后训练要解决的是任务成功率，而大规模后训练还必须兼顾泛化性，不能让模型只能适应少数经过专门调试的场景。具身导航需要的技术突破，也不应止于基准成绩的提高，而要找到能够持续改善模型实际表现的训练方法。
例如AlphaGo先从人类棋谱中学习下棋，再依靠大规模自我博弈和强化学习提高棋力。ChatGPT也经历了从预训练、监督微调到人类反馈强化学习（RLHF）的过程，人类对不同回答的评价成为模型优化的依据。模仿学习让模型获得初始能力，后续的训练和反馈则帮助它突破已有示范的局限。
把这条路径应用到具身智能，困难在于物理世界没有围棋那样明确的胜负标准。机器人把杯子拿起来，不一定意味着任务完成得好；同样的动作换个角度，还可能造成碰撞。人可以判断一次行动是否妥当，模型却很难仅凭预设的奖励规则评价所有现实情境。
现阶段，许多具身任务的后训练仍需要人工提供示范或反馈。如何减少这种依赖，是模型进一步提高自主学习能力需要解决的难题。
董豪团队的两位博士生张继耀和龙宇星，分别通过HIL-UMI和One Scan探索了不同的后训练方法。作业智能仍需要人提供示范和判断，导航则可以更多地利用环境中的几何信息自动获得反馈。两项研究都在尝试降低持续训练所需的人工成本，让后训练能够推广到更多任务和真实场景。
面向To C市场，这种训练方式尤为重要。董豪举例称，消费者买回一台机器狗，不可能再花一两周时间遥控它熟悉家里的路线。与可以由专业人员反复调试的企业级项目不同，每个家庭都有自己的空间布局和生活习惯。个人机器人需要在交付后尽快适应环境，同时将设置和维护成本控制在消费者能够接受的范围内。
相比部署相对集中的To B项目，董豪认为，个人机器人还可能成为规模更大的真实世界数据入口。
不同家庭的空间布局、生活习惯和用户需求千差万别，机器人在长期使用中遇到的导航失误、任务失败以及用户反馈，经过授权和有效处理后，都可能成为改进模型的训练材料。
这意味着，轻量化后训练与To C之间存在相互促进的关系。前者让机器人能够以更低的成本适应不同家庭，后者则有机会为大规模后训练提供更加丰富的真实场景和数据。
甲子光年智库《2026全球个人机器人行业研究报告》提出，个人机器人正在从展示单项能力，走向融入日常生活。家庭不是结构化产线，任务可能随时被打断，用户也未必按照标准方式发出指令。衡量产品价值，还需要将设置、维护和人工接管的成本计算在内。
《2026全球个人机器人行业研究报告》，图片来源：甲子光年智库
要让机器人从单项功能可用走向长期值得拥有，就必须在不断变化的生活环境中保持可靠的表现。如果每次遇到新情况，都要依赖专业人员重新采集数据、训练模型，个人机器人就很难实现大规模应用。
启元的个人机器人已经开始积累真实使用经验。据公司披露，部分已收货用户日均使用超过1小时，重度用户超过3小时，日均有效交互超过150次。10月29日，启元与腾讯云宣布达成战略合作，接入WorkBuddy，探索利用自然语言理解和任务编排能力开发更多机器人技能，进一步拓展个人机器人的应用场景。
2026年，具身导航研究正在从提升通用模型能力，进一步转向探索可规模化的后训练方法。轻量化后训练有望降低机器人适应不同家庭的成本；而随着To C应用不断扩大，真实使用中积累的任务和反馈，也可能在获得用户授权并经过有效处理后，为模型持续学习提供新的数据来源。这正是董豪强调的轻量化后训练与To C市场相互促进的关系。
如果能够将这些真实世界的经验持续转化为模型能力，个人机器人就有望成为物理AI的重要入口，推动AI理解和适应真实世界的能力实现新的飞跃。
（文中未注明图片来自启元机器人；封面图由AI生成）
