InternVLA·N1 ： 上海AI Lab开源的端到端双系统导航大模型

主要介绍

InternVLA·N1 是上海人工智能实验室（上海AI Lab）于2025年9月15日开源的端到端双系统导航大模型，基于“书生”具身全栈引擎（Intern-Robotics）构建。该模型采用双系统架构，将高层远距离目标空间推理规划（系统2）与底层敏捷执行（系统1）解耦，通过纯合成数据驱动异步训练，实现低成本、高效率的导航能力。在真实场景中，InternVLA·N1 支持跨楼宇长距离听令行走和密集障碍物间的60Hz实时敏捷避障，展现出强大的零样本泛化能力，并在多个主流基准测试中达到国际领先水平。

功能特点

1. 双系统协同架构：
   • 系统2（推理规划）：理解自然语言指令，结合视觉观测预测下一步目标像素，实现长程空间推理。
   • 系统1（敏捷执行）：高频响应环境变化，实时调整运动轨迹，确保避障精度与目标可达性。
2. 纯合成数据驱动：
   • 基于大规模数字场景资产和海量多模态语料训练，无需真实数据采集，降低训练成本。
3. 零样本泛化能力：
   • 仅通过合成数据训练，即可在真实场景中实现跨楼宇导航与复杂避障，适应未见过的环境。
4. 多场景适应性：
   • 支持室内外、跨楼层、密集障碍物等复杂场景，覆盖服务机器人、物流机器人等应用需求。

优缺点

优点：

• 低成本高效训练：纯合成数据驱动，避免真实数据采集的高昂成本。
• 强泛化性：零样本能力显著优于传统模型，减少对特定场景的依赖。
• 实时性能：60Hz推理频率满足实时导航需求，适合动态环境。

缺点：

• 极端场景适应性有限：在极端光照或动态障碍物快速移动场景下，性能可能下降。
• 硬件依赖性：高频推理需高性能GPU支持，移动端部署存在挑战。

如何使用

1. 在线体验：
   • 访问 Hugging Face Demo 页面（需等待官方上线），输入语音或文本指令（如“去3楼会议室”），模型实时生成路径并展示避障过程。
2. 本地部署：
   • 从 GitHub 下载预训练模型，通过 Docker 容器快速启动，连接机器人硬件后，使用 ROS 或 MCP 协议发送导航指令。
3. API调用：
   • 集成 Hugging Face Inference API，通过网页端或命令行工具直接调用模型服务，适合快速原型开发。

框架技术原理

1. 双系统解耦设计：
   • 系统2（推理）与系统1（执行）异步运行，系统2负责全局路径规划，系统1负责局部避障，通过隐式规划表征实现协同优化。
2. 纯合成数据训练：
   • 基于大规模数字场景资产（如 InternScenes-100）生成多模态语料，结合物理仿真引擎（Intern·Utopia）渲染复杂环境，覆盖10万+场景变量。
3. 两阶段课程训练：
   • 预训练阶段：监督微调系统2的路径规划能力。
   • 联调阶段：系统1与系统2协同训练，优化整体导航性能。

创新点

1. 双系统异步架构：
   • 首次将人类认知中的“慢思考”（推理）与“快反应”（执行）机制引入机器人导航，提升复杂环境适应性。
2. 纯合成数据驱动：
   • 通过高效数据合成技术，实现低成本训练，数据效率较传统方案提升66%。
3. 跨场景零样本泛化：
   • 无需微调即可适应新场景，打破传统模型对真实数据的依赖。

评估标准

1. 导航成功率：
   • 在跨楼宇、密集障碍物等场景中，目标到达率超过95%。
2. 避障效率：
   • 在动态障碍物环境中，实时避障延迟低于50ms。
3. 泛化能力：
   • 零样本场景下，任务完成率超80%，微调后提升至97%。

应用领域

1. 服务机器人：
   • 在商场、酒店等场景中提供跨楼层导航服务，响应语音指令完成物品递送。
2. 物流仓储：
   • 自主规划路径，避开动态障碍物，提升分拣效率。
3. 自动驾驶：
   • 辅助车辆进行复杂路况下的路径规划与避障，提升安全性。
4. 智能安防：
   • 结合视觉指令，实现监控区域的智能巡逻与异常事件响应。

项目地址

• GitHub 仓库：https://github.com/InternRobotics/InternNav
• 项目官网：https://internrobotics.github.io/internvla-n1.github.io/
• 技术论文：https://internrobotics.github.io/internvla-n1.github.io/static/pdfs/InternVLA_N1.pdf