💡 站外导读：当前，机器人与自动驾驶领域的导航系统仍面临指令理解、长程规划与实时避障的协同难题。传统方法依赖大量真实数据采集，成本高昂且泛化能力有限。上海人工智能实验室开源的InternVLA·N1，通过独特的“双系统”架构与纯合成数据训练范式，首次在单一模型中实现了语言理解、长程规划与高频敏捷避障的端到端融合，为低成本、高适应性的智能导航提供了全新路径。
InternVLA·N1是上海人工智能实验室开源的端到端双系统导航大模型。采用双系统架构，系统2负责理解语言指令并规划长程路径，系统1专注于高频响应和敏捷避障。模型完全基于合成数据训练，通过大规模数字场景资产和海量多模态语料，实现了低成本高效率的训练过程。在多个主流基准测试中，InternVLA·N1表现出色，得分达到国际领先水平，展现了强大的零样本泛化能力。能实现在真实场景中的“跨楼宇长距离”听令行走和密集障碍物间的敏捷避障。
语言理解与路径规划：系统2能理解自然语言指令，根据视觉观测在图像上预测下一步执行的目标像素，实现长程空间推理规划。
敏捷避障与执行：系统1负责高频响应环境变化，实现敏捷避障，确保能准确到达目标点。
合成数据驱动训练：完全基于合成数据进行训练，通过大规模数字场景资产和海量多模态语料，实现低成本高效率的训练过程。
零样本泛化能力：仅使用合成数据训练，却能在真实场景中实现60Hz的“跨楼宇长距离”听令行走和密集障碍物间的敏捷避障，展现出强大的泛化能力。
多场景适应性：在多个主流基准测试中表现出色，得分达到国际领先水平，适用于多种复杂场景和任务需求。
双系统架构：采用系统1和系统2的双系统架构，系统2负责理解语言指令并进行长程空间推理规划，系统1则专注于高频响应和敏捷避障，二者协同工作实现高效导航。
异步推理机制：系统1和系统2异步推理，系统1可以更频繁地响应环境变化，实现敏捷避障，而系统2则专注于长程空间推理规划，避免了同步推理带来的延迟和复杂性。
纯合成数据驱动：完全基于合成数据进行训练，通过大规模数字场景资产和海量多模态语料，结合高效的数据合成技术，实现低成本高效率的训练。
两阶段课程训练：训练分为预训练阶段和联调阶段，预训练阶段对系统2进行监督微调，使其能准确规划路径；联调阶段则让系统1和系统2协同工作，优化整体导航性能。
多模态融合：模型能融合视觉和语言信息，通过多模态大模型实现对复杂环境的理解和导航任务的执行，提升了模型在真实场景中的适应性和准确性。
项目官网：https://internrobotics.github.io/internvla-n1.github.io/
GitHub仓库：https://github.com/InternRobotics/InternNav
Hugging Face模型库：https://huggingface.co/InternRobotics/InternVLA-N1
智能机器人导航：为服务机器人、物流机器人等提供高效导航能力，能根据语音指令在复杂环境中自主行走、避障并完成任务。
自动驾驶辅助：在自动驾驶领域，辅助车辆进行路径规划和障碍物避让，提升自动驾驶系统的安全性和可靠性。
虚拟现实与增强现实：在虚拟现实（VR）和增强现实（AR）应用中，为用户提供更加自然和沉浸式的交互体验，例如在虚拟环境中根据语音指令导航。
智能安防监控：在智能安防领域，通过视觉和语言指令的融合，实现对监控区域的智能巡逻和异常事件的快速响应。
工业自动化：在工业环境中，为自动化设备提供导航和操作指导，提高生产效率和安全性。
智能导览服务：在博物馆、展览馆等场所，为游客提供个性化的导航和讲解服务，提升参观体验。
InternVLA·N1的发布，标志着具身智能从“感知-决策”分离范式向“理解-执行”端到端闭环的关键跃迁。其“系统1-系统2”架构借鉴了认知科学理论，让慢思考（规划）与快思考（反应）解耦并行，这可能是解决复杂动态环境中实时性瓶颈的有效思路。更值得关注的是其“纯合成数据驱动”路线，这直击了行业数据采集成本高昂的痛点，结合大规模数字场景资产，为模型的规模化、低成本迭代开辟了高速通道。尽管真实场景的“最后一公里”挑战犹存，但其展示的跨楼宇导航与密集避障能力，已为家庭服务、物流配送乃至未来城市交通的无人化描绘出更清晰的落地蓝图。这不仅是技术工具的开源，更是一种高效研发范式的示范。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。