InternVLA-N1——规划-执行双系统下的VLN基础模型：具备学习型的潜在规划能力，可部署在轮式、四足、双足人形上(含我司复现实践)
内容提要
本文介绍了InternVLA-N1，一个结合视觉和语言指令的双系统导航模型，具备学习型潜在规划能力，提升了机器人在动态环境中的表现。研究者构建了大规模数据集InternData-N1以支持模型训练，并在多个基准上验证了其有效性。
关键要点
-
InternVLA-N1是一个结合视觉和语言指令的双系统导航模型，具备学习型潜在规划能力。
-
研究者构建了大规模数据集InternData-N1以支持模型训练，包含超过5300万条自视角图像观测和80万条语言指令。
-
模型的系统2设计为像素目标规划器，利用视觉语言模型（VLM）进行导航指令的解析和中期目标的预测。
-
系统1负责在真实环境中执行路径规划，能够应对动态障碍物的干扰。
-
作者引入了可学习的潜在token替换显式像素目标，以增强隐式规划参考的能力。
-
InternVLA-N1在多个基准上验证了其有效性，超越了以往基于RGB的方法。
-
数据集InternData-N1由VLN-N1、VLN-CE和VLN-PE三个子集组成，具有互补特性。
-
系统1在无目标探索和点目标导航任务中表现出色，具备强大的避碰能力和高效的路径规划能力。
延伸解读
双系统架构的优势与挑战
InternVLA-N1采用双系统架构，系统1负责实时路径规划，系统2则进行中期目标的预测。这种设计模仿人类的认知过程，能够在复杂环境中更灵活地应对动态障碍物。然而，系统间的同步可能导致延迟，影响实时响应能力，需在实际应用中加以优化。
数据集的多样性与应用
InternData-N1数据集由多个子集组成，涵盖了丰富的场景和指令。这种多样性不仅增强了模型的泛化能力，还为不同类型的导航任务提供了支持。研究者在构建数据集时考虑了真实世界的复杂性，这为模型的实际部署奠定了基础。
潜在规划能力的创新
InternVLA-N1引入了可学习的潜在token，替代传统的显式像素目标。这一创新使得模型在处理复杂导航任务时，能够提供更具信息量的隐式规划参考，提升了导航的灵活性和准确性。未来的研究可以进一步探索这一方法在其他领域的应用潜力。
延伸问答
InternVLA-N1模型的主要功能是什么？
InternVLA-N1是一个结合视觉和语言指令的双系统导航模型，具备学习型潜在规划能力，能够在动态环境中执行路径规划。
InternData-N1数据集包含哪些内容？
InternData-N1数据集包含超过5300万条自视角图像观测和80万条语言指令，支持模型训练。
InternVLA-N1如何处理动态障碍物？
InternVLA-N1的系统1负责在真实环境中执行路径规划，能够灵活应对动态障碍物的干扰。
InternVLA-N1的系统2是如何工作的？
系统2设计为像素目标规划器，利用视觉语言模型解析导航指令并预测中期目标。
InternVLA-N1在基准测试中的表现如何？
InternVLA-N1在多个基准上验证了其有效性，超越了以往基于RGB的方法，成功率达55.4%。
如何增强InternVLA-N1的隐式规划能力？
作者引入可学习的潜在token替换显式像素目标，以增强隐式规划参考的能力。
