“穿过走廊，在画旁边左转，再停到书架前。”这类指令对轮式机器人已不轻松，换成人形机器人还要同时处理步态、碰撞和身体尺寸。VinMotion与南加州大学提出HumanoidVLN，在4种人形平台、933条路线中评测语言导航，并把宇树G1带到真实场景验证仿真指标是否可信。
现有视觉语言导航研究多用抽象圆柱体或轮式底盘，默认机器人可以稳定移动到任意航点。人形机器人每一步都受全身动力学约束，转弯、狭窄通道和地面接触都会改变最终轨迹。HumanoidVLN把高层“听懂路线”和低层“真的走过去”接在一起。
从第一视角视频生成路线，再让多Agent互相校对
团队以第一视角室内导航视频、二维占用地图、场景图和轨迹元数据为输入。两个生成Agent先分别理解路线、地标和动作顺序，再聚合成草稿指令；验证Agent检查空间一致性、时间顺序、动作可执行性和信息完整度。未通过的样本会回到生成环节修改，最后由人工界面复核。
HumanoidVLN从视频和地图构建语言指令的多Agent标注流程。
这种设计不是简单给轨迹配一句模板。指令需要说明可见地标，又不能泄露机器人拿不到的全局坐标；还要适应“向右转”“绕过沙发”等具身动作。系统用改写Agent产生正式、自然和口语等不同表达，在保持动作与地标顺序的同时增加语言多样性。
933条路线覆盖4种身体，尺寸变化也会改变难度
基准包含宇树G1、H1以及两种内部人形机器人，共933个导航episode。不同机器人拥有不同身高、肩宽、关节和运动控制器，同一条路线对小型机体可能宽裕，对更大机体则会出现擦碰或无法通过。团队因此保留每种身体的真实动力学，而不是只在高层地图上判断到达。
不同场景重建方式对人形机器人导航轨迹的影响。
导航模型先根据图像和指令提出目标，再由运动策略执行。评测同时看成功率、终点距离与nDTW等轨迹质量指标，避免“最后碰巧到达”掩盖途中绕远或走错地标。最佳方法的平均成功率为43.55%，nDTW为48.38，说明大模型能理解相当一部分路线，但真正可靠的人形VLN仍有明显提升空间。
仿真误差与G1实机高度相关，相关系数达0.935
基准最重要的一步是把20条路线放到宇树G1实机上复现。研究者比较仿真与真实机器人的终点误差，得到0.935的相关系数，平均绝对差为0.68米；轨迹相似度达到0.782。这意味着仿真中更难的路线，在现实里通常也更难，排行榜至少能反映实机趋势。
双生成Agent为同一路线讨论并修正导航指令。
实机样本量仍是20条，不能覆盖全部房型、地面材质和人群干扰；43.55%的最佳成功率也不适合直接用于无人值守场景。但团队把“语言理解是否正确”和“身体是否走得稳”放到同一套复现实验里，为后续定位错误来源提供了统一起点。
宇树G1在真实环境中执行语言导航的实验画面。
下一步走向可迁移的家庭与服务机器人导航
HumanoidVLN的价值不只是新增一个排行榜，而是让算法在换身体时也必须接受检验。未来可以把同一条指令分发给不同尺寸与步态的机器人，观察高层策略是否学到可迁移的空间概念，再为每种平台调整低层控制。仿真—现实指标已有较高相关性，也适合先在大规模虚拟环境筛选模型，再把少量候选带到实机精测。
面向家庭和公共服务，还可以加入移动的人、临时障碍、开关门与电梯等连续交互，并让机器人主动追问模糊指令。若数据扩展到更多建筑和更长任务，HumanoidVLN有望成为连接视觉语言模型、全身控制器和安全验证的公共接口，让“听懂去哪儿”真正落到“稳稳走到那里”。
评测工具也可以进一步拆分导航失败：模型是否误解了地标、航点是否落在不可达区域、低层控制是否摔倒。按身体和场景公开这三类记录，研究者就能有针对性地改语言模型、地图表示或步态控制，而不是只追逐一个总成功率。
