目标接地

StopWatch 发现目标接地失败是制约物体目标导航成功率的主要瓶颈。

目标接地指智能体将自然语言指令中的目标与视觉观测中的具体物体实例建立对应关系的能力，包含目标检测、目标识别和目标定位三个层次。

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，难度显著高于静态图像中的视觉定位。

在具身导航中，将目标接地作为显式的中间表示嵌入策略，相当于注入‘先定位目标再决策’的结构性归纳偏置。