上海AI实验室联合香港大学、浙江大学、清华大学等高校，共同研发出全球首个采用“快慢结合”架构的双系统视觉语言导航模型——DualVLN。该模型通过模仿人类“理性思考”与“直觉反应”的协同机制，将复杂导航任务分解为规划与执行两个独立子系统，在最新测试中展现出显著优势，为智能机器人导航领域开辟了新路径。
传统机器人导航系统常面临“思考与行动捆绑”的困境，如同要求棋手边制定战略边精准落子，导致反应迟缓且动作僵硬。研究团队针对这一痛点，创新设计出双系统架构：第一系统作为全局规划器，基于大型视觉语言模型，每秒2次分析语言指令与环境信息，在图像中标记目标点并提供语义背景；第二系统作为策略执行器，采用轻量化扩散变换器网络，以每秒30次的高频生成平滑路径，实时规避障碍。这种分工模式使机器人既能深度规划，又能灵活应对动态环境。
在标准VLN-CE基准测试中，DualVLN以64.3%的成功率超越前代方法约8个百分点，更在未专项训练的VLN-PE物理控制测试中取得51.6%的成绩。针对人群密集场景设计的Social-VLN测试显示，系统在保持37.2%成功率的同时，将人体碰撞率控制在35.4%。真实环境测试覆盖办公室、街道、便利店等多元场景，机器人成功处理楼梯、动态行人等复杂状况，且在轮式、四足、人形等不同平台均表现稳定。
实验数据揭示系统设计的精妙之处：分阶段训练使第一系统泛化能力提升40%，第二系统学习速度加快25%；隐含语义信息的引入将整体性能提升12%；第二系统对方向正确但位置偏差的目标点具有强容错性，但方向错误时性能下降30%。数据效率测试进一步验证架构优势——第二系统仅需1%训练数据即可达到竞争性表现，而第一系统通过多样化数据强化了语言理解与视觉推理能力。
该模型的技术突破为智能导航提供了新范式。通过解耦复杂任务，系统不仅提升了性能与效率，还增强了可解释性：规划器的像素级目标与执行器的轨迹生成过程均可追溯。这种设计在服务机器人领域潜力巨大，例如家庭场景中，用户可用自然语言指令机器人完成“去厨房拿水杯”等任务，系统自动规划路径并避开障碍；医疗场景中，导诊机器人可精准引导患者至指定科室。
尽管系统在光线不足或未知障碍类型等场景仍需优化，但其已展现出强大适应性。研究团队正探索多模态感知融合技术，以提升低光照环境下的推理能力，并构建更丰富的障碍物数据库增强泛化性。随着技术迭代，这类“思考-行动”分离架构有望推动自动驾驶、物流配送等领域实现更智能的动态决策，重新定义人机交互方式。
