# 浙大彭思达：具身导航拒端到端，VLM+Agent架构解耦决策与执行

> 原文链接：https://robotics.hellobike.com/news/2026-11-14-50-51102f51
> 频道：news | 更新日期：2026-11-14 | 标签：auto, rss, leiphone
> 核心摘要：浙大研究员彭思达提出具身导航SuperNav与ScaleNav分层架构，主张以VLM+Coding Agent替代端到端模型。指出3B/4B模型空间推理差且微调损害基模能力，强调动作模态优于视觉，高频控制需独立小模型支撑50Hz交互。

# 浙大彭思达：具身导航拒端到端，VLM+Agent架构解耦决策与执行

::: v-pre
> 本文由 AI 根据公开内容整理，可能有误，请以原文为准：[浙大彭思达：从元宇宙到具身智能，一个三维视觉研究者的八年 | 世界模型50人](https://www.leiphone.com/category/ai/lpK3LQWqmpZP8jcG.html)（雷峰网）

## 核心内容

浙江大学软件学院百人计划研究员彭思达团队于10月发布机器人导航系统SuperNav与ScaleNav，分别承担决策规划与运动执行功能。该研究基于其在三维视觉领域八年积累及Neural Body、4K4D等成果，针对当前VLM微调导致能力退化及小参数模型空间推理不足的问题，确立了通用多模态大模型加Agent的技术路线，并将研究成果应用于理想汽车自动驾驶仿真及机器人导航场景。

技术方案采用Agentic System架构解耦感知推理与底层控制：VLM负责高层规划与上下文理解，记忆构建依赖成熟SLAM工具而非纯图文表征；ScaleNav作为专用小模型承接高频运动控制，解决30B以上大模型云端部署通信延迟无法满足50Hz操作频率的工程瓶颈。研究强调动作轨迹因果性学习优于纯视觉输入，认为文本是高级推理最佳载体，视觉仅作为辅助模态挂载。

## 关键看点

- **分层导航架构**：SuperNav负责全局决策与记忆管理，ScaleNav作为导航小脑执行点对点移动，规避端到端模型微调导致的基模能力退化问题
- **高频控制约束**：指出30B/100B大模型云端推理通信延迟约1秒，无法满足机器人操作所需的50Hz交互频率，必须将底层行动外包给专用小模型
- **模态优先级重定义**：主张高级推理规划依赖文本模态，动作智能核心在于轨迹因果性学习，视觉在具身智能中仅为外挂辅助而非核心主角
- **记忆结构化方案**：否定纯图文空间记忆方式，采用成熟SLAM工具构建结构化环境记忆，由VLM负责语义理解与检索，实现记忆构建与理解的分离

## 工程与产业观察

该研究为具身智能系统架构提供了重要的工程纠偏思路：在算力与通信受限的实体机器人上，盲目追求端到端大模型并非最优解。通过VLM+Agent+专用控制模型的分层解耦，既保留了基座模型的通用推理能力，又满足了实时控制的物理约束。这对当前行业从“刷榜”转向“落地”具有参考价值，提示开发者应重视动作模态数据质量与系统级工程适配，而非单纯堆叠视觉大模型参数。
:::

## 原始参考来源 (Sources)

- [雷峰网：浙大彭思达：从元宇宙到具身智能，一个三维视觉研究者的八年 | 世界模型50人](https://www.leiphone.com/category/ai/lpK3LQWqmpZP8jcG.html)