StopWatch：目标接地如何破解物体目标导航成功率瓶颈

物体目标导航（Object-goal Navigation）要求智能体在陌生环境中找到指定物体，是具身智能的核心任务之一。近年来，研究者常将预训练视觉语言模型（VLM）微调为导航策略，借助其丰富的世界知识和语义先验来提升性能。然而，一个尴尬的事实是：即便经过微调，导航成功率依然偏低，而失败的原因一直缺乏系统诊断。StopWatch 这篇工作给出了一个清晰答案——目标接地（Goal Grounding） 才是制约成功率的主要瓶颈，并提出了简单有效的解决方案。

问题诊断：策略会探索，却不会“看见”目标

StopWatch 的作者对现有微调策略进行了深入分析，发现这些策略在探索环境方面表现尚可，但普遍缺乏两项关键能力：一是当目标物体已经出现在视野中时，策略无法“注意到”它；二是难以准确估计目标物体与自身之间的距离。换句话说，智能体“走过路过却错过”，或者“看到了却不知道还有多远”。这种失败模式被归结为目标接地失败——策略没有将语言指令中的目标与视觉观测中的物体建立明确关联。

这一诊断解释了为什么单纯增加数据或延长训练收效有限：问题不在探索能力，而在目标感知与定位。

目标接地（Goal Grounding） 是视觉语言导航与具身智能中的核心概念，指智能体将自然语言指令中描述的目标（如“找到一把椅子”）与视觉观测中的具体物体实例建立对应关系的能力。它包含三个层次：目标检测（视野中是否存在目标）、目标识别（哪个物体是指令所指的目标）和目标定位（目标在空间中的位置及与智能体的相对距离）。目标接地失败意味着语言与视觉之间的语义桥梁断裂，智能体即使“看到”了目标也无法将其与任务关联。这一概念区别于视觉定位（Visual Grounding），后者通常在静态图像中完成，而具身场景下的目标接地需要在线、连续地进行，并受视角变化、遮挡和运动的影响，难度显著更高。

归纳偏置（Inductive Bias） 指模型在学习过程中对假设空间施加的先验约束，使其更倾向于学习某一类解。例如卷积网络的局部连接和平移不变性是归纳偏置，循环网络对时序依赖的假设也是归纳偏置。在具身导航中，将“目标接地”作为显式的中间表示嵌入策略，相当于为模型注入了“先定位目标再决策”的结构性归纳偏置，而非寄希望于 VLM 从海量数据中隐式学会这一关联。StopWatch 的有效性说明，当任务本身具有明确的结构（如目标可见性判断、距离估计）时，显式建模这些结构比单纯扩大模型规模更能提升泛化性与样本效率，这与“规模至上”的 scaling law 思路形成有益互补。

解法：显式目标接地，简单却有效

针对上述诊断，StopWatch 选择将目标接地过程显式化，而不是依赖 VLM 隐式地学习这种关联。具体做法是让策略在决策时明确地定位目标、判断目标是否可见、并估计相对距离。这种显式接地带来了显著的性能提升，在三个场景集合的六个基准测试上达到了当前最优（State-of-the-Art）结果。

你可能没注意到，该方法并没有引入复杂的网络结构或大规模额外训练，其有效性恰恰说明：在物体目标导航中，正确的归纳偏置比模型规模更重要。

State-of-the-Art（SOTA） 指在某一基准测试上当前已发表方法中取得的最优性能。在物体目标导航领域，常用基准包括 HM3D、MP3D、RoboTHOR 等场景数据集，评价指标主要为成功率（Success Rate）和路径加权成功率（SPL）。值得注意的是，SOTA 的比较必须建立在评测基准一致且标注可靠的前提下，否则不同方法之间的对比可能失真。StopWatch 同时修正了基准标注缺陷并报告 SOTA，其意义在于：一方面性能提升有干净评测的支撑，另一方面也说明此前部分方法的报告结果可能受标注噪声影响，社区需要重新审视历史结果的可靠性。

修正标注缺陷：让评估更可信

StopWatch 的另一项贡献是对现有基准的标注缺陷进行了修正。作者发现这些基准中存在标注错误，可能导致评估结果失真——某些“失败”案例实际上是标注问题而非策略问题。修正后的干净基准让不同方法的比较更加公平和可信，也为后续研究提供了更可靠的评测基础。这一工作提醒社区：在追求更高成功率之前，先确保评测本身是准确的。

分析：感知才是真正的天花板

在干净基准上的进一步分析揭示了一个关键结论：当提供真实的目标接地信息时，StopWatch 的策略性能几乎可以匹敌生成其演示数据的专家策略。这意味着当前系统的性能上限主要受限于感知能力，而非策略学习本身。换言之，导航策略的学习框架已经足够好，瓶颈在于如何从原始视觉输入中准确、鲁棒地完成目标接地。

这一发现为后续研究指明了方向：与其继续在策略优化上内卷，不如投入更多精力解决感知层面的目标定位与距离估计问题。

专家策略（Expert Policy） 在模仿学习范式中指用于生成演示数据（demonstration）的参考策略，通常是基于真实环境状态信息（如真实物体位置、地图）的规划器或人类操作。由于专家策略可以访问特权信息（privileged information），其性能常被视为该任务的上界参考。StopWatch 发现，当为策略提供真实的目标接地信息时，其性能接近专家策略，这一对比揭示了两层含义：其一，策略学习框架（从演示中学习决策）本身已足够强大，不是瓶颈；其二，感知模块的输出误差是性能损失的主要来源。这一分析范式——用特权信息做消融以定位瓶颈——在具身智能研究中具有普遍的方法论价值。

对具身智能研究的启示

StopWatch 的价值不仅在于刷新了六个基准的纪录，更在于它提供了一种研究方法论：先诊断失败根因，再针对性设计解法。在 VLM 被广泛用于具身任务的当下，这项工作提醒研究者，预训练模型带来的语义先验并不能自动解决所有问题，显式的任务结构设计仍然不可替代。目标接地作为物体目标导航中缺失的一环，其解决思路也可能迁移到更广泛的视觉语言导航任务中。