Qwen-RobotNav 기술 보고서: 에이전트 기반 내비게이션 시스템을 위한 확장 가능한 내비게이션 모델

초록

에이전트 기반 내비게이션 시스템은 기본 내비게이션 모델을 필요로 하며, 이 모델의 관찰 전략은 추론 시 외부에서 재구성 가능해야 한다. 명령 수행, 객체 탐색, 표적 추적, 자율 주행은 동일한 인지-계획 백본을 공유하지만 시각적 스트림을 소비하는 방식에 있어 근본적으로 다른 전략을 요구하기 때문이다. 본 논문에서는 Qwen-RobotNav를 기반으로 구축된 확장 가능한 내비게이션 모델인 Qwen-RobotNav를 제안한다. 이 모델은 두 가지 상호 보완적 차원을 가진 매개변수화된 인터페이스를 통해 이 문제를 해결한다. 즉, 내비게이션 행동을 선택하는 다중 작업 모드와 시각적 이력이 인코딩되는 방식을 제어하는 제어 가능한 관찰 파라미터(예: 토큰 예산, 카메라별 가중치)이다. Qwen-RobotNav는 모든 파라미터에 대한 학습 시 무작위화를 통해, Qwen-RobotNav 백본에 아키텍처 수정 없이도 모든 추론 시 구성에 강건하다. Qwen-RobotNav는 1,560만 개의 샘플로 학습되었으며, 시각-언어 데이터와의 공동 학습은 궤적 전용 학습에서 관찰되는 반응적 행동 시퀀스 매퍼로의 붕괴를 방지한다. 매개변수화된 인터페이스는 또한 Qwen-RobotNav를 에이전트 시스템의 자연스러운 구성 요소로 만든다. 장기적 시나리오의 경우, 상위 수준 플래너가 목표를 하위 작업으로 분해하고 에피소드 중간에 Qwen-RobotNav의 작업 모드와 맥락 전략을 동적으로 전환하여, 동일 모델에 대한 반복 호출을 통해 복잡한 행동을 구성한다. 광범위한 실험 결과, Qwen-RobotNav는 주요 내비게이션 벤치마크 전반에서 새로운 최첨단 결과를 달성함을 보여준다. 이 모델은 2B에서 8B 파라미터로의 유리한 확장성을 보이며, 공동 다중 작업 학습은 작업군 간에 전이되는 공유 공간 계획 기반을 개발하고, 다양한 환경에서 실제 로봇에 대한 강력한 제로샷 일반화를 입증한다.

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.