Qwen-RobotNav Technischer Bericht: Ein skalierbares Navigationsmodell entwickelt für ein agentisches Navigationssystem

Zusammenfassung

Agentische Navigationssysteme benötigen ein Basis-Navigationsmodell, dessen Beobachtungsstrategie zur Inferenzzeit extern rekonfiguriert werden kann, da die Befolgung von Anweisungen, die Objektsuche, die Zielverfolgung und das autonome Fahren zwar dieselbe Wahrnehmungs-Planungs-Architektur nutzen, aber grundlegend unterschiedliche Strategien zur Verarbeitung des visuellen Stroms erfordern. Wir stellen Qwen-RobotNav vor, ein skalierbares Navigationsmodell, das auf Qwen-RobotNav aufbaut und dieses Problem durch eine parametrisierte Schnittstelle mit zwei komplementären Dimensionen adressiert: mehreren Aufgabenmodi, die das Navigationsverhalten auswählen, und steuerbaren Beobachtungsparametern (z. B. Token-Budget, kameraspezifische Gewichte), die festlegen, wie die visuelle Historie kodiert wird. Durch Randomisierung aller Parameter während des Trainings ist Qwen-RobotNav robust gegenüber jeder Inferenzzeit-Konfiguration, ohne dass architektonische Änderungen an der Qwen-RobotNav-Architektur erforderlich sind. Wir trainieren Qwen-RobotNav mit 15,6 Millionen Proben; das gemeinsame Training mit visuell-sprachlichen Daten verhindert den Zusammenbruch in reaktive Aktionssequenz-Mapper, der bei reinem Trajektorien-Training beobachtet wird. Die parametrisierte Schnittstelle macht Qwen-RobotNav zudem zu einem natürlichen Baustein für agentische Systeme: Für längerfristige Szenarien zerlegt ein übergeordneter Planer Ziele in Teilaufgaben und wechselt während einer Episode dynamisch den Aufgabenmodus und die Kontextstrategie von Qwen-RobotNav, wodurch komplexe Verhaltensweisen durch wiederholte Aufrufe desselben Modells zusammengesetzt werden. Umfangreiche Experimente zeigen, dass Qwen-RobotNav auf den wichtigsten Navigations-Benchmarks neue Spitzenergebnisse erzielt. Das Modell weist eine günstige Skalierung von 2B auf 8B Parameter auf; das gemeinsame Multi-Task-Training entwickelt ein gemeinsames räumliches Planungssubstrat, das über Aufgabenfamilien hinweg übertragbar ist, und zeigt eine starke Zero-Shot-Generalisierung auf reale Roboter in unterschiedlichen Umgebungen.

English

Agentic navigation systems require a base navigation model whose observation strategy can be externally reconfigured at inference time, because instruction following, object search, target tracking, and autonomous driving share the same perception-planning backbone yet demand fundamentally different strategies for consuming the visual stream. We present Qwen-RobotNav, a scalable navigation model built on Qwen-RobotNav that addresses it through a parameterised interface with two complementary dimensions: multiple task modes that select the navigation behaviour, and controllable observation parameters (e.g., token budget, per-camera weights) that govern how visual history is encoded. With training-time randomization over all parameters, Qwen-RobotNav is robust to any inference-time configuration requiring zero architectural modification to the Qwen-RobotNav backbone. We train Qwen-RobotNav on 15.6M samples; co-training with vision-language data prevents the collapse into reactive action-sequence mappers observed in trajectory-only training. The parameterised interface also makes Qwen-RobotNav a natural building block for agentic systems: for long-horizon scenarios, an upper-level planner decomposes goals into sub-tasks and dynamically switches Qwen-RobotNav's task mode and context strategy mid-episode, composing complex behaviours from repeated calls to the same model. Extensive experiments show that Qwen-RobotNav sets new state-of-the-art results across major navigation benchmarks. The model exhibits favourable scaling from 2B to 8B parameters, with joint multi-task training developing a shared spatial-planning substrate that transfers across task families, and demonstrates strong zero-shot generalisation to real-world robots across diverse environments.