浙大 & vivo 聯手突破機器人導航技術：CogDDN 框架憑 “雙過程決策” 提升成功率 15%

　　讓機器人像人類一樣 “邊看邊理解”，主動響應模糊需求(如 “我餓了”)而非僅執行明确指令(如 “拿香蕉”)—— 浙江大學與 vivo 人工智能實驗室的聯合團隊，在 ACM MM 2025 上發表的新框架 CogDDN，首次将心理學 “雙過程理論” 應用于移動機器人需求驅動導航(DDN)，使導航成功率較現有 SOTA 方法提升 15%，為機器人适應複雜未知環境提供了全新思路。

　　一、研究動機：破解傳統導航的 “刻闆困境”

　　傳統需求驅動導航依賴大量數據訓練，僅能應對 “見過的場景”，面對模糊指令(如 “找個東西放花”)或陌生環境時易陷入僵局。團隊受人類決策機制啟發：

　　人類通過 “系統 1”(快速直覺判斷)和 “系統 2”(深度理性推理)協同應對複雜情境，例如迷路時先憑直覺探索，再通過分析修正路線。

　　據此提出 CogDDN 框架，讓機器人具備 “快速響應 + 深度反思” 的雙過程能力，實現從 “被動執行” 到 “主動理解” 的跨越。

　　二、CogDDN 框架：模拟人類認知的 “雙過程閉環”

　　該框架以視覺語言模型(VLM)為基礎，包含 3 大核心模塊，形成 “感知 - 匹配 - 決策” 的完整閉環：

　　3D 機器人感知模塊

　　采用單目 3D 檢測方法 UniMODE，僅通過單視角圖像即可精準估算物體三維位置，擺脫對多視角或深度傳感器的依賴，輕量化适配各類機器人硬件。

　　需求匹配模塊

　　針對大型語言模型(LLM)易推薦 “次優解”(如用杯子養花)的問題，通過有監督微調(SFT)訓練 LLM，強化 “需求 - 物體特性” 的精準匹配。例如，用戶說 “放花” 時，優先推薦花盆而非杯子，提升目标選擇準确性。

　　雙過程決策模塊（核心創新）

　　融合 “啟發式過程”(系統 1)與 “分析過程”(系統 2)，模拟人類 “直覺 - 理性” 協同決策：

　　啟發式過程：

　　Explore 模塊：目标未明确時，通過思維鍊(CoT)推理生成探索路徑，掃描環境尋找潛在目标，避免重複探索;

　　Exploit 模塊：發現目标後，利用知識庫經驗快速規劃精準行動，如避開障礙物直達目标物。

　　分析過程：

　　當導航遇阻(如目标被遮擋)，啟動 “反思機制”—— 基于 VLM 的世界知識，分析失敗原因(如路徑規劃錯誤)，生成修正策略并存入知識庫，通過微調反哺啟發式過程，實現 “從錯誤中學習”。

　　三、實驗驗證：成功率提升 15%，适配複雜場景

　　在 AI2-THOR 模拟器及 ProcTHOR 數據集上的閉環測試(400 個場景)顯示：

　　CogDDN 的導航成功率(NSR)較單視角 SOTA 方法 DDN 提升 15%，與依賴深度輸入的 InstructNav 效果相當，證明其在無額外傳感器時的高效性;

　　消融實驗表明：移除 Exploit 模塊或思維鍊(CoT)後，性能顯著下降，驗證了 “微調優化” 與 “推理邏輯” 的關鍵作用;

　　反思機制使加權路徑長度成功率(SPL)随訓練輪次持續提升，體現其持續學習與環境适應能力。

　　四、意義：為機器人裝上 “會思考的大腦”

　　CogDDN 的突破不僅在于技術指标提升，更在于推動機器人導航從 “數據依賴” 轉向 “認知驅動”：

　　無需海量場景數據，即可通過雙過程決策應對未知環境與模糊指令;

　　閉環學習機制使其能持續優化策略，适配家庭、醫院、倉庫等多樣化場景;

　　輕量化設計可無縫集成至現有機器人系統，加速實用化落地。

　　未來，随着多模态感知與大模型推理能力的深化，機器人有望真正實現 “類人理解”，成為更智能的生活助手。