Progress-Think

機器人首次實現語義進展推理

零標簽在指令結構中定位任務進展

在視覺語言導航(VLN)中，機器人長期缺乏一種關鍵能力：它能持續前進，卻無法判斷自己的任務推進到了哪一步。導航在空間中不斷展開，畫面節節推進，但模型并不知道自己在自然語言指令里處于什么階段，因此容易漂移、兜圈，或做出難以解釋的決策。我們認為，引入語義進展推理，是破解長程導航不穩定性的關鍵路徑。

Progress-Think讓機器人第一次具備語義層面的“進展坐標系”。我們首次揭示了視覺觀測序列與指令語義之間的結構性關聯，并將其提煉為可學習的進展信號，使模型無需額外標注即可學會思考：“我剛完成了什么”。通過自監督的進展對齊、進展引導決策以及進展一策略聯合微調，僅憑單目相機輸入，模型就能顯著減少偏航并提升穩定性。Progress-Think在R2R-CE等標準數據集上取得領先表現，并進一步推動具身推理朝更明確的任務導向發展。

? 論文題目：

Progress-Think: Semantic Progress Reasoning for Vision-Language Navigation

? 論文鏈接：

https://arxiv.org/abs/2511.17097

?項目主頁：

https://horizonrobotics.github.io/robot_lab/progress-think

從空間定位到進展定位

在視覺語言導航 (VLN) 中，機器人往往只會執行動作，卻難以理解任務的推進。它能在空間中持續移動，卻無法判斷指令走到了哪一步；視覺觀測不斷更新，但任務完成度可能在它的認知里存在偏差。這種缺乏“語義位置感”的現象，使導航在遇到復雜場景時容易失去方向，出現漂移、兜圈或反復確認等不穩定行為。

視覺觀測與指令語義呈協同單調推進；即隨著觀測累積（上），匹配的指令前綴同步單調擴展（下），后續進展（紅）始終在早期進展（藍）上遞進。

Progress-Think的核心洞見在于：視覺語言導航本質上不僅是幾何運動，而是執行一段結構化語言指令的語義進展過程。基于這一視角，我們揭示了視覺觀測序列與指令語義之間存在協同單調關系：當畫面從“床邊”走向“門口”時，指令也應從“離開床邊”自然推進到“朝門口轉向”。我們進一步將這一結構規律提煉為任務層面的語義方位基準，為后續決策提供進展的建模。

零標注學習語義進展

為了在沒有進展標注的情況下習得進展定位能力，我們設計了一個三階段的學習框架。第一階段，通過前綴對齊的自監督訓練，模型在視覺軌跡中自動推斷出與指令前綴的對應關系，使“當前觀察對應哪一語義段落”成為一種內生表征，而非依賴外部標注。第二階段，我們將進展表示作為上下文注入導航VLA策略，使決策在結合指令和觀測的同時，也能參考自身的任務進展，從而形成明確的語義方向感。第三階段，通過進展推理與導航VLA策略的聯合優化，使模型在推理時保持一致、穩健的進展定位能力，并形成從語義對齊到動作生成的完整閉環。

Progress-Think模型在原有VLA結構上加入“進展推理模塊”，用于判斷當前指令完成到哪一步，并據此引導動作生成。整個系統通過三階段、無需標注的流程完成訓練：① 自監督的進展對齊；② 進展引導的策略預訓練；③ 進展–策略聯合優化。

在三階段學習下，進展不再是一個回歸值或附加標簽，而演化為貫穿視覺理解、語義推理與行動決策的結構性信號。機器人由此首次具備真正的“進展定位”能力，能夠在執行中持續推理“我完成到哪了”，并據此更清晰地決策“下一步該做什么”。

語義進展助力多步驟指令導航

具備可推理的進展定位后，機器人的行為方式發生了明顯變化。它不再像傳統模型那樣給出與任務無關或時序混亂的描述，而是能夠持續跟蹤自己處于指令的哪一步。導航軌跡因此更穩、更有方向感，執行過程也呈現出清晰的語義連貫性，讓人類能一眼看出它正在完成任務的哪一段。

GPT-4o和NVILA的描述經常跑偏，無法用于判斷進展；消融版Progress-Think偶有幻覺，可靠性不足；而完整版Progress-Think能穩定推理出與真實進展對齊的結果。

在R2R-CE等基準上，Progress-Think在僅使用單目RGB的條件下，便超越了依賴全景或深度的傳統方案，顯著提升了長程任務的成功率、穩定性與可解釋性。結果表明，長程導航的核心限制在于缺失語義進展這一結構性能力；當機器人能夠理解“自己做到哪”，導航才真正具備持續、可靠的任務推進能力。

在R2R Val-Unseen上，Progress-Think在無深度、無全景、零外部數據的條件下依然取得最佳表現。

總結和展望

隨著Progress-Think的引入，機器人第一次擁有了自身行為在任務語義層面的“進展坐標系”，能夠在任務結構中定位自己，并以此為決策提供額外的進展約束。它在決策“下一步怎么走”前，先思考“我已經走到哪一步”，從而讓長程行為更連貫、更可解釋。我們期待將這種語義進展推理能力擴展至高層規劃、多輪交互和自主探索，讓具身智能逐步邁向真正的任務理解與長期推理。