一次扫描就够了：面向语言引导导航的无示范适应

在新建筑中部署语言引导导航策略，通常意味着眼看着它失败。随着布局、外观和语言发生变化，公共基准上的 VLA 在不同场景中的性能不断下降，而通过现场遥操作采集新轨迹这一常规补救方法难以规模化推广。我们用一次简短的 iPhone 扫描取代人工示范。Scan2Instruction 将扫描结果编译成完整的训练环境，自动合成带有场景锚定指令的可执行导航回合。随后，PRPT-KS 通过直接从重建场景中获取的闭式 Pareto 效用来适应策略，无需学习得到的评价器，也无需人工标签。在五个真实环境中，这两项设计共同将我们的 RealNav 的真实机器人导航成功率提升至 85%，而基于人工示范进行后训练的 RealNav 基线成功率为 49%；在同一批建筑中未经扫描的区域，我们的方法仍达到 82% 的成功率，而同一基线仅为 41%。我们的工作让语言引导导航的无示范场景适应从愿景变为切实可用的现实。