目录
[01 把"位置感"塞进策略](#01 把“位置感”塞进策略)
[02 技术亮点](#02 技术亮点)
[Metric-aware visual geometry，把"真实尺度"学进来](#Metric-aware visual geometry，把“真实尺度”学进来)
[几何记忆 + 局部点云，让避障更像"看懂空间"](#几何记忆 + 局部点云，让避障更像“看懂空间”)
[03 实验与表现](#03 实验与表现)
[04 总结](#04 总结)
定位无需独立前置，与导航融为一体
------重审端到端导航
把端到端导航模型部署落地时最致命的问题是什么？
往往不在避障，而在定位的悄然失效。
当你把相机装高了几厘米、俯仰角改了一点，或者底盘换成另一种运动特性------机器人就会出现一种典型的"迷失"症状：
该直走的时候轻微蛇形、遇到转角时犹豫、离障碍的安全距离忽大忽小。
这并非因为它"看不见"，而是因为它缺乏不依赖外部模块的 "稳定尺度感 + 空间位置感"。
- 传统模块化靠 SLAM / 视觉里程计定位，误差层层传递；
- 现有端到端看似简洁，却暗戳戳依赖显式定位或精确标定。
因此，能不能直接把"空间位置感"直接融进导航策略里，让机器人不用强依赖SLAM，也能走得稳、躲得开、跨平台更好用？
该思路来自于这篇由清华大学联合上海AI Lab 提出的LoGoPlanner（是该团队之前工作NavDP的一个独立精简版，意在摆脱定位依赖，aka NavDP--）。
不仅解决了端到端的漂移顽疾，更实现了真正的跨平台泛化 ------ 从轮式到人形到四足、从办公室到工业区，轻松换平台。
01 把"位置感"塞进策略
与其把定位当作一个独立模块，不如让导航策略自己学会"我现在在哪、该往哪走"，而且要学到真实尺度上的几何理解，也就是知道距离、尺度是真的能对上现实世界的。
这便是本项研究的核心思路，据此提出了 LoGoPlanner，名字可以拆开理解：
- **LoGo：**Localization Grounded，意思是策略的决策建立在"定位相关的隐式状态"上；
- **Planner：**它最终输出的是一条可执行的轨迹/动作序列，用来完成点目标导航。
▲图1｜LoGoPlanner 的整体定位。(a) 传统模块化导航通常会把任务拆成"定位、建图、规划、控制"等多个模块，优点是清晰，但缺点也明显：前面错一点，后面就层层放大。(b) 一些端到端方法虽然能从观测直接输出控制指令，但仍然需要显式定位模块（例如 SLAM/里程计）来兜底。(c) LoGoPlanner 的思路是把"定位相关的信息"变成策略内部的一部分：用隐式状态估计（不显式跑 SLAM，但学到位置相关表示）和尺度几何感知直接支撑端到端规划
整体框架里有三个关键：
- 长序列视觉状态估计：不只看一帧，而是"吃"进一段历史观测，从中提取"像定位一样"的状态表征，并把它锚定到真实尺度。
- **空间几何记忆：**利用历史信息重建周围的局部几何（比如点云/几何结构），让策略对障碍分布更敏感，避障更稳。
- **规划导向(Planning-oriented)：**采用基于查询（query-based）的设计，把上述隐式状态和几何记忆作为条件输入，去生成轨迹或控制指令，从而减少"上游定位错一点，下游规划全崩"的连锁反应。
02 技术亮点
Metric-aware visual geometry，把"真实尺度"学进来
很多视觉导航sim-to-real之间的差距，常见原因之一就是"尺度感不靠谱"：到底离障碍还有多少米、拐弯半径能不能过，策略心里没数，只能从视觉上"看个大概"。
**LoGoPlanner 强调 metric-aware（真实尺度感知）：**它不仅提取视觉特征，还把视觉几何表征和真实尺度对齐，让后续规划更像在空间中"量尺子"而不是视觉上"凭感觉绕"。
▲图2｜Metric-aware visual geometry可视化：图中第一行是真值（ground truth）的场景点云，第二行是 LoGoPlanner 预测得到的场景点云。这里的点云是在真实尺度下预测的，并且以最后一帧的底盘位置作为坐标系原点，从图中可以看到机器人的感知能力非常强大，基本上能够高度还原真实场景的点云布局
用长时序观测做隐式状态估计，缓解漂移
只看单帧或短片段，容易让机器人"记不住自己刚刚怎么走过来的"，尤其是走廊、重复纹理、转角这些地方，状态会漂。
LoGoPlanner 的做法是让骨干网络处理更长的观测序列，从历史里汇总出更稳定的状态表征。
**这里的关键词是 implicit state estimation（隐式状态估计）：**不显式跑SLAM，但学到一种能支持决策的"位置相关表示"，有了这种隐式的状态估计，机器人就可以更好的建模长程任务，减少误差的累积。
▲图3｜方法结构总览。
LoGoPlanner 的骨架可以理解为三步：
- Step1：尺度先验注入：
在把图像切成小块（patch）并送入 ViT（Vision Transformer，视觉编码网络）之前，先把深度图编码后的"尺度相关先验信息"注入到这些图像块里；
同时微调一个视频几何模型，使其能够预测真实尺度下的几何信息。
- Step2：Query 方式做信息汇总：
把机器人自身状态（比如位姿、速度等）和环境几何（障碍分布等）在网络内部隐式聚合，而不是显式拼一堆手工模块。
- Step3：扩散策略输出轨迹：
最后接一个扩散策略头（逐步生成动作/轨迹的模型），生成可执行、尽量不撞的导航轨迹。
几何记忆 + 局部点云，让避障更像"看懂空间"
策略不是只看一张图去猜路在哪，而是持续累积对周围障碍的几何认识。
这种 geometry memory（几何记忆） 在非结构化环境里尤其关键：
因为障碍物的形状、分布、可通行间隙，决定了轨迹能不能走得安全、走得顺。
本文研究方法摆脱了雷达等多传感器的依赖，仅仅依赖相机的视频输入，对非结构化环境进行细粒度重建，提供了丰富的空间几何感知信息。
这种显式几何感知+隐式策略建模的布局可以取长补短，让机器人在复杂空间中更加穿梭自如。
03 实验与表现
实验围绕两条主线进行：
- 一条是在大规模仿真数据上训练与评测；
- 另一条是在真实机器人上跑三种平台（轮式移动机器人、四足机器人、人形机器人）、三类环境（办公室、家庭、工业）。
而且，研究在训练时做了多种随机化（比如机器人高度和相机俯仰角），目的就是逼着策略"别记死一种安装姿态"。
▲图4｜真实机器人效果可视化：不同平台上规划轨迹长什么样？图中绿色曲线是 LoGoPlanner 规划出来的轨迹。蓝色点云表示当前帧观测到的障碍物，灰色点云表示上一帧的障碍物（可以理解为"历史几何信息"）。可见在真实环境里、不同机器人平台上，LoGoPlanner 依然能输出连贯的可行轨迹
从结果趋势看，LoGoPlanner 的优势主要体现在两点：
- **跨平台更稳：**换平台、换安装角度时，性能下降没那么剧烈。
- **避障更可靠：**在室内家居与商业场景里，更能保持连续的轨迹质量，不容易出现犹豫或贴障走的情况。
▲图5｜多平台多场景真实环境试验结果。可以看到LOGOPlanner在不同的机器人平台都大幅度领先对比方法，并且这种领先能够跨越多场景，由此可见LoGoPlanner跨平台及跨场景部署的稳健性
与带有"真值定位"信息的先进对比方法，LoGoPlanner依旧实现了整体性能提升超过 27.3%。
这也证明了：定位信息不一定要以SLAM的形式出现，策略也可以自己学出可用的空间位置感，并把它用到规划里。
▲图6｜真实环境结果可视化。上排：规划轨迹黑色轨迹是真值（ground truth），黄色和紫色是预测轨迹，绿色星标是目标点。用这排图主要看：预测轨迹是否能贴近真值趋势，能否顺利指向目标。下排：定位结果。蓝点是真值定位，红点是预测定位；绿色箭头是真值目标方向，灰色箭头是预测目标方向。用这排图主要看：策略内部学到的"空间位置感"是否能跟上真实运动，并把目标方向估计得足够稳
04 总结
从"换相机就漂移" 到 "跨平台稳行"，LoGoPlanner 做的事情可以用一句话概括：把"空间位置感"从一个独立模块，变成导航策略内部的一部分。
当定位从一套独立系统转变为策略内生的"常识"，机器人便得以摆脱对精密标定与复杂模块链的依赖，获得了一种更接近生物直觉的导航能力------
不再需要时刻回答"我在哪"，却能稳健地决定"往哪走"。
这标志着具身智能导航正从 "伪端到端" 迈向 "真闭环"。但它并非完美：极端动态场景、超远距离导航的鲁棒性，以及边缘设备部署优化，仍是待解难题。
LoGoPlanner 打通了路径，当定位不再是独立前置任务、不再那么强依赖精细标定与显式定位模块、换平台时更省心时，也更有机会把端到端方法推到复杂真实环境里
Ref：
论文题目：LoGoPlanner: Localization Grounded Navigation Policy with Metric-aware Visual Geometry
论文作者：Jiaqi Peng, Wenzhe Cai, Yuqiang Yang, Tai Wang, Yuan Shen, Jiangmiao Pang