Nav-R1: Рассуждение и навигация в воплощённых сценах

Nav-R1: Reasoning and Navigation in Embodied Scenes

September 13, 2025

Авторы: Qingxiang Liu, Ting Huang, Zeyu Zhang, Hao Tang

cs.AI

Аннотация

Навигация в физическом мире требует от агентов интеграции восприятия, рассуждений и действий для устойчивого взаимодействия в сложных трехмерных средах. Существующие подходы часто страдают от несогласованных и нестабильных трасс рассуждений, что затрудняет обобщение в разнообразных средах, а также от сложности балансирования между долгосрочным семантическим рассуждением и низколатентным управлением для навигации в реальном времени. Для решения этих проблем мы предлагаем Nav-R1, базовую модель для физического мира, которая унифицирует рассуждения в таких средах. Сначала мы создаем Nav-CoT-110K, крупномасштабный набор данных пошаговых цепочек рассуждений (Chains-of-Thought, CoT) для задач физического мира, что позволяет инициализировать модель с нуля с использованием структурированных рассуждений. На основе этого мы разрабатываем фреймворк обучения с подкреплением на основе GRPO с тремя взаимодополняющими наградами: за формат, понимание и навигацию, чтобы улучшить структурную согласованность, семантическую обоснованность и точность пути. Кроме того, мы вводим парадигму "Быстрое в медленном" (Fast-in-Slow), разделяя обдуманное семантическое рассуждение от низколатентного реактивного управления для эффективной, но согласованной навигации. Обширные оценки на тестах для физического ИИ показывают, что Nav-R1 стабильно превосходит сильные базовые модели, с улучшением в среднем более чем на 8% в показателях рассуждений и навигации. Реальное развертывание на мобильном роботе дополнительно подтверждает его устойчивость при ограниченных ресурсах на борту. Код: https://github.com/AIGeeksGroup/Nav-R1. Сайт: https://aigeeksgroup.github.io/Nav-R1.

English

Embodied navigation requires agents to integrate perception, reasoning, and action for robust interaction in complex 3D environments. Existing approaches often suffer from incoherent and unstable reasoning traces that hinder generalization across diverse environments, and difficulty balancing long-horizon semantic reasoning with low-latency control for real-time navigation. To address these challenges, we propose Nav-R1, an embodied foundation model that unifies reasoning in embodied environments. We first construct Nav-CoT-110K, a large-scale dataset of step-by-step Chains-of-Thought (CoT) for embodied tasks, which enables cold-start initialization with structured reasoning. Building on this foundation, we design a GRPO-based reinforcement learning framework with three complementary rewards: format, understanding, and navigation, to improve structural adherence, semantic grounding, and path fidelity. Furthermore, we introduce a Fast-in-Slow reasoning paradigm, decoupling deliberate semantic reasoning from low-latency reactive control for efficient yet coherent navigation. Extensive evaluations on embodied AI benchmarks demonstrate that Nav-R1 consistently outperforms strong baselines, with over 8% average improvement in reasoning and navigation performance. Real-world deployment on a mobile robot further validates its robustness under limited onboard resources. Code: https://github.com/AIGeeksGroup/Nav-R1. Website: https://aigeeksgroup.github.io/Nav-R1.