为此,AgentVLN提出“VLM-as-Brain”的理念,让VLM负责高层认知决策,同时通过模块化技能库完成具体执行,从而实现更加高效、灵活的机器人导航,即:VLMAgent→SkillCalling→SLAM/Perception→RobotNavigation。

论文提出的AgentVLN在R2R-CE和RxR-CE等主流VLN基准上取得领先性能,同时仅使用3B规模模型,并支持Jetson等边缘设备实时运行。该成果已被计算机视觉顶级会议ECCV2026录用。同一个AgentVLN“大脑”,可以根据不同机器人的身体能力,替换对应的底层技能模块,从而快速适配不同机器人平台。为此,AgentVLN提出:跨空间表示映射机制。因此,AgentVLN加入了上下文驱动的自我纠错机制。AgentVLN不仅在多个VLN基准测试中超过已有方法,同时保持较小参数规模。