FSUNav：借鉴人脑小脑分工的通用零样本导航架构

FSUNav受人类大脑皮层与小脑分工协作启发，提出"大脑-小脑"双模块设计的机器人导航架构，实现跨平台、零样本、多模态输入的目标导向导航，在多个基准测试中达到领先水平。核心解决传统导航算法的异构平台兼容、实时性安全权衡、开放词汇泛化不足、多模态支持有限等问题。

机器人导航领域的核心难题是陌生环境自主目标导航，传统视觉语言导航方法存在四大瓶颈：

1. 异构平台兼容性问题：算法针对特定机器人优化，跨平台迁移性差；
2. 实时性与安全性权衡：复杂模型导致决策延迟，动态环境易碰撞；
3. 开放词汇语义泛化不足：依赖预定义类别ID，无法理解未见过的物体描述；
4. 多模态输入支持有限：仅处理单一模态，缺乏灵活交互能力。

小脑模块：高频端到端局部规划器

• 基于深度强化学习训练的通用导航策略，实现毫秒级反应速度与跨平台通用性；
• 抽象机器人状态为通用几何/运动学特征，适配人形、四足、轮式机器人；
• 奖励设计包含碰撞避免、路径平滑度等安全指标，天然低碰撞风险；
• 高频（10-30Hz）接收传感器数据，输出低级运动指令，快速响应环境变化。

大脑模块：三层推理与零样本目标检测

• 语义理解层：用视觉语言模型（VLM）解析指令，提取目标特征、空间约束，支持开放词汇；
• 场景感知与目标定位层：VLM生成候选区域，多帧验证确认目标，降低误检率；
• 全局规划与任务管理层：生成粗粒度全局路径，协调小脑执行，处理异常情况（遮挡、路径阻断）。

FSUNav原生支持多种输入方式：

1. 纯文本描述：如"找到客厅里的蓝色花瓶"；
2. 目标详细描述：如"带有花纹的陶瓷茶杯，放在木质茶几上"；
3. 参考图像：直接提供目标图片，系统寻找相似物体；
4. 组合输入：文字+图像，如"找到与图片类似的红色椅子"。

用户可自然交互，无需学习特定格式或预注册目标。

• 仿真测试：在MP3D、HM3D、OVON等基准上，物体导航、实例图像导航、任务导航均达最先进性能（SOTA），成功率、导航效率（路径长度/步数）、安全性（碰撞次数）表现出色；
• 真实部署：在轮式、四足、人形机器人上成功完成复杂任务，验证鲁棒性与实用价值。

技术意义

• 理论层面：展示仿生神经系统架构解决复杂AI问题的有效性，为多模块协同优化提供框架；
• 实践层面：跨平台通用性降低企业算法适配成本，零样本能力减少部署数据准备，多模态支持提升用户体验。

未来展望

• 细分大脑模块为语义理解、空间推理、人机交互等子模块；
• 微调小脑模块适配特定机器人动力学；
• 深度结合大型语言模型（LLMs），实现复杂指令理解与多轮对话导航。