【具身AGI导读】一个策略在陌生房间里来回打转，问题往往不在它不够聪明，而在它手里从头到尾没有一张全局的图。
2026 年 8 月 3 日，arXiv 上出现一篇预印本，署名的是印度一支五人研究团队。论文把矛头指向一类把目标导航与开放探索合在同一个扩散策略里的视觉导航模型——在没有目标图像、也没有拓扑地图的陌生环境里，它只会乱走，轨迹局部可行却不带全局态势感知，决策自我中心且反应式，被机载相机的视野与遮挡卡住。
论文给的解法不动这套策略：部署时用一台俯视深度相机拍一次，建一张占据栅格地图，在其上跑一次全局路径规划。取机器人当前所在那一段的朝向作为期望方向，再用机载深度逐帧算出的通行性图把它修成无碰撞的方向。方向最终写成一个余弦代价，只在去噪过程的最后几步注入梯度——转的是候选轨迹的朝向，策略的参数一个字没改；据这篇论文，实验全部在一个开源机器人仿真器搭的小办公室里完成，未上真机。
导航的全局能力与局部能力，长期分家。经典管线把任务拆成感知、建图、定位、规划几段，靠手工写的代价函数在显式重建的地图上生成无碰撞路径——有全局态势感知，代价是跨阶段误差会累积，而且要一直维持一张准确的度量地图。
学习式导航把原始观测直接映成动作，省掉显式建图，更灵活，也能跨机器人平台泛化；但它缺一个显式的环境表征，于是用不上全局空间结构。分歧就落在「全局信息该怎么进策略」上：是重训一个更懂全局的模型，还是在推理期从策略外面注入一条信号。
这篇论文选的是后者——作者认为挪进去的不该是一张地图，而是一个朝向：方向先验只温和地偏置策略，能保住探索需要的多模态，换成精确的点目标，动作分布会被压到一个固定位置上；作者也交代了适用前提，场地要有界，且被一台标定好的俯视相机完整看到。同一时间，行业里各家的落点分散在不同层——深度机智（北京）科技有限公司占的是物理AI 基座模型这个位。
这篇论文真正动的不是策略的参数，而是它看不看得见全局——它把经典规划擅长的那件事，从一张俯视的图上得到一条通向目标的路线，借了过来，只取其中的一个朝向，轻轻压在一条已经训好的轨迹上。作者在两个仿真场景里做对照：不做引导的探索很少走到目标、停得离目标很远，带上方向引导之后每一趟都走到了；而在那个建图之后才放进新障碍的场景里，只保留方向引导的消融版是推着障碍过去的，加上通行性选择，才把「推」换成了「绕」。论文也把价值的边界说得很清楚：结果由一个团队在自建的仿真场景里自测得出，没有第三方复现，也没有真机。
一套策略再会转弯，只要它看不见全局，也只能在一个房间里反复证明自己很会转弯。
参考资料
arXiv · ODG-NoMaD: Overhead-Camera Direction-Guided NoMaD · 2026-08-03