Rapport technique Qwen-RobotNav : Un modèle de navigation scalable conçu pour un système de navigation agentique

Résumé

Les systèmes de navigation agentiques nécessitent un modèle de navigation de base dont la stratégie d'observation peut être reconfigurée de l'extérieur au moment de l'inférence, car le suivi d'instructions, la recherche d'objets, le suivi de cibles et la conduite autonome partagent la même base de perception-planification mais exigent des stratégies fondamentalement différentes pour consommer le flux visuel. Nous présentons Qwen-RobotNav, un modèle de navigation scalable construit sur Qwen-RobotNav qui y répond grâce à une interface paramétrée avec deux dimensions complémentaires : de multiples modes de tâche qui sélectionnent le comportement de navigation, et des paramètres d'observation contrôlables (par exemple, le budget de tokens, les poids par caméra) qui régissent la manière dont l'historique visuel est encodé. Grâce à une randomisation au moment de l'entraînement sur tous les paramètres, Qwen-RobotNav est robuste à toute configuration au moment de l'inférence ne nécessitant aucune modification architecturale du backbone de Qwen-RobotNav. Nous entraînons Qwen-RobotNav sur 15,6 millions d'échantillons ; le co-entraînement avec des données vision-langage empêche l'effondrement en mappeurs réactifs de séquences d'actions observé dans l'entraînement basé uniquement sur les trajectoires. L'interface paramétrée fait également de Qwen-RobotNav un bloc de construction naturel pour les systèmes agentiques : pour les scénarios à long horizon, un planificateur de haut niveau décompose les objectifs en sous-tâches et change dynamiquement le mode de tâche et la stratégie de contexte de Qwen-RobotNav en cours d'épisode, composant des comportements complexes à partir d'appels répétés au même modèle. Des expériences approfondies montrent que Qwen-RobotNav établit de nouveaux résultats de pointe sur les principaux benchmarks de navigation. Le modèle présente un passage à l'échelle favorable de 2B à 8B paramètres, avec un entraînement multitâche conjoint développant un substrat de planification spatiale partagé qui se transfère d'une famille de tâches à l'autre, et démontre une forte généralisation zero-shot aux robots du monde réel dans divers environnements.

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.