近日，银河通用联合北京大学、阿德莱德大学、浙江大学团队，推出了全球首个跨本体全场景全景导航基础模型——NavFoM（Navigation Foundation Model）。这一创新模型旨在将各种机器人导航任务整合到一个统一的框架中，包括视觉和语言导航、目标导向导航、视觉跟踪和自动驾驶等应用场景。
NavFoM的特点之一是其全场景支持能力。无论是在室内还是室外，该模型都可以在看不见的环境中运行，无需先验知识，无需额外的映射或数据收集。这意味着用户可以更方便地将这项技术应用于各种环境，而无需繁琐的准备工作。
此外，NavFoM还具有多任务支持功能，使其能够通过自然语言指令执行目标跟踪和自主导航等任务。这种设计使得不同的机器人能够快速适应，各种规模的机器人，从机器狗到无人机，从轮式人形机器人到汽车，都可以在这个框架内高效运行。
从技术角度来看，NavFoM 引入了两项关键创新：首先是 TVI 代币（Temporal-Viewpoint-Indexed Tokens），它使模型能够理解时间和方向;其次，BATS 策略（Budget-Aware Token Sampling），即使在有限的计算资源下，它也能使模型表现良好。
值得注意的是，NavFoM 构建了一个大型跨任务数据集，其中包含大约 800 万个跨任务、跨本体导航数据，以及 400 万个开放式问答数据。这个训练量是之前工作的两倍，赋予了模型更强的语言和空间语义理解能力。
NavFoM 的发布标志着机器人导航领域的重大进步。开发人员可以在该模型的基础上进行构建，并通过后续训练进一步开发适合特定需求的应用程序模型。
