SimpleNav 开源：一套框架打通导航 VLA 全链路，覆盖 6 大 Benchmark 与三类具身场景

2026-08-28

导航视觉—语言—动作（VLA）模型以语言指令和连续视觉观测为输入，生成可执行的动作序列，驱动无人机、无人车和移动机器人等具身平台完成导航任务。开展导航 VLA 研究，不仅需要构建高效模型，更需要贯通数据处理、训练优化与闭环评测的完整流程。如何减少不同数据、模型和评测基准之间的重复适配工作，已成为提升导航 VLA 研发效率的重要问题。

在实际研究中，各类数据集在坐标系、相机配置、轨迹分布和动作表示等方面存在显著差异，不同任务所采用的仿真环境、交互接口与评测协议也不尽相同。每当更换数据集、模型架构或评测基准时，研究人员往往需要重新完成数据转换、接口适配、训练配置和评测对齐等工作。这些重复且分散的工程环节不仅增加了实验成本，也制约了模型开发、方法复现和性能比较的效率。

针对上述问题，清华大学 THUNLP 实验室、AI9stars、OpenBMB 与 HITDIP 联合研发构建了一套面向导航 VLA 研究的开源全链路框架 SimpleNav，贯通异构数据处理、模块化模型构建、统一训练和闭环评测等关键环节，为不同数据集、模型与任务提供标准化的接入和验证流程。首个开源版本已支持 OpenFly、TravelUAV、AerialVLN、R2R-CE、RxR-CE 和 EVT-Bench 等 6 个评测基准，覆盖空中导航、室内导航和移动目标跟踪三类具身导航场景，帮助研究人员更高效地完成导航 VLA 模型的复现、开发、训练与评测。

图1：SimpleNav 在空中导航、室内导航任务中的闭环评测示例

➤ 开源链接

🔗 https://github.com/OpenBMB/SimpleNav

导航 VLA 的难题：为什么换一个场景，实验链路都要重新适配？

问题不仅在于各环节存在差异，更在于数据、模型、训练与评测之间往往紧密耦合。数据的坐标系和动作表示决定模型的输入输出形式，模型结构影响训练目标与优化方式，而模型生成的动作又必须与仿真环境的控制接口和评测协议保持一致。因此，更换数据集、任务或具身平台时，往往需要联动调整多个环节，难以直接复用已有实验流程。

随着导航基础模型、数据集和具身平台不断丰富，导航 VLA 研究正由单一数据、单一场景和单一平台，逐步走向跨数据、跨场景和跨平台的统一建模与泛化验证。在这一趋势下，实验链路能否复用，直接影响新模型与新方法的验证效率，也决定了不同实验结果能否在统一条件下进行可靠比较。

为此，SimpleNav 将数据转换、模型接入、训练配置和闭环评测等共性工程能力转化为标准化、可复用的组件与流程，减少更换数据集、模型或评测基准时的重复开发，使研究人员能够将更多精力投入模型架构、训练策略、多数据集混合训练和跨场景泛化等核心研究问题。

Simple 的含义：让项目更容易复现、开发、迁移和延续

SimpleNav 的「Simple」，并不是简化研究问题或牺牲框架能力，而是通过统一的数据规范和模块化的工程设计，降低导航 VLA 研究的工程门槛。围绕一个实验如何被可靠复现、一种方法如何被快速开发、一套能力如何迁移到新任务，以及已有成果如何支撑后续研究，SimpleNav 将「简单」具体落实为复现、开发、迁移和延续四个方面。

SimpleNav 首个开源版本：贯通导航 VLA 的数据、模型、训练与评测

SimpleNav 首个开源版本围绕四个核心环节展开：数据端负责将不同来源的导航数据转换、增强和校验为可直接训练的数据；模型端提供可运行的参考实现，并将关键组件组织为可替换模块；训练端统一支持单数据集、多数据联合以及分布式训练；评测端对接不同 Benchmark 的闭环环境与指标体系，在统一流程中完成模型执行、轨迹记录和实验结果统计。在此期间涉及的数据、模型配置、checkpoint、实验评测轨迹能够继续用于后续实验复现、分析和进一步研究。

图 2：SimpleNav 整体框架

体验 SimpleNav：四步跑通导航VLA实验全流程

01 数据处理：让异构导航数据进入统一训练流程

不同导航数据在图像组织、轨迹结构、状态记录、时间采样和动作表达上存在明显差异。SimpleNav 将这些异构数据整理为 统一的 LeRobot v3 数据格式，使图像、状态、动作、元数据等数据信息能够由同一套训练接口读取。

在数据转换过程中，SimpleNav 同时处理坐标系、时间戳、相机顺序、轨迹切分、归一化统计和动作表示等任务差异，并 通过数据校验避免错误数据直接进入训练。不同 Benchmark 原有的坐标和动作定义仍由对应接口保留，不改变任务本身的执行与评测约定。

另外，SimpleNav 还提供轨迹增强、图像采集与插值，以及图像缓存生成等预处理工具，使原始数据从整理、增强到训练使用形成连续的数据处理链路。

图3：SimpleNav 数据预处理与 Openfly 轨迹增强示例

02 模型构建：参考实现可直接运行，关键模块可独立替换

SimpleNav 提供一套已经完成训练和闭环验证的参考模型，用于打通从视觉与语言输入到连续导航动作输出的完整路径。在此基础上，视觉语言骨干、历史信息处理和动作预测模块按照独立组件组成，研究者可以只替换需要研究的部分，同时沿用已有的数据组织、训练流程和 Benchmark 评测。

这种组件化方式既能直接复现实验，也便于围绕新的视觉语言骨干、长历史建模、记忆机制或动作头开展消融和对比，把工程改动集中在真正需要研究的变量上。

03 统一训练：覆盖单数据、多数据联合与分布式训练

对于单一 Benchmark，SimpleNav 可以直接使用对应数据完成独立训练和复现实验；进一步地，同一训练框架也支持多个导航数据集的混合训练，为跨数据、跨场景和统一导航模型研究提供基础。

在计算层面，训练入口同时覆盖单机多卡和多机分布式运行。无论改变模型结构、数据组合还是训练规模，实验都可以沿用相同的训练组织方式，并同步保存生效配置、数据统计、日志和 checkpoint，便于后续继续训练、消融和对比。

04 闭环评测：统一环境交互、轨迹记录与指标计算

导航模型最终需要在连续环境交互中接受测评。SimpleNav 将不同 Benchmark 的闭环执行过程接入统一评测框架：模型读取当前观测并输出动作，环境按照对应任务协议推进，再将新的视觉与状态返回模型，直到完整 episode 结束。不同任务自身的动作定义、停止条件和指标计算仍由对应评测接口负责。

评测过程中同步记录完整轨迹、逐 episode 结果和汇总指标。除了最终成功率等数字，研究者还可以回到具体轨迹分析偏航、过早停止、局部犹豫等现象，为模型、数据和训练策略的进一步改进提供依据。

图 4：SimpleNav 在部分 Benchmark 上的闭环评测示例

统一框架、无特殊优化，效果如何？：6 个 Benchmark 验证跨场景性能

为验证SimpleNav不仅能够打通跨场景实验链路，还能够为导航 VLA 研究提供具有竞争力的模型基线，我们以 Qwen3.5-VL 为统一视觉语言骨干，分别在 6 个 Benchmark 上完成模型训练与闭环评测；除完成必要的数据与任务接口适配外，未针对单一 Benchmark 进行专门的性能优化。因此，这组结果反映的是 SimpleNav 参考模型在统一实验框架下的基础性能，而非经过逐任务深度调优后的性能上限。

这些结果表明，SimpleNav 不仅能够在同一套框架下贯通空中导航、室内导航和移动目标跟踪任务，其参考模型在没有针对各 Benchmark 进行特殊优化的情况下，也能够获得稳定且具有竞争力的性能。这为后续开展模型结构改进、多数据集训练和跨场景泛化等研究提供了 一个可复现、可扩展且具备较高性能起点的统一框架。

从统一链路走向跨数据、跨平台的持续研究

SimpleNav 项目开源导航 VLA 从 数据处理、模型构建、训练到闭环评测的完整链路：异构导航数据可以统一接入，模型关键组件可以灵活替换，支持单数据集、多数据集训练和分布式训练，并覆盖多个空中与室内导航 Benchmark 的闭环评测。同时开放配套模型、checkpoint、实验结果和复现文档，让后续的导航VLA研究从数据准备到最终验证都能在同一套框架中完成。

未来，SimpleNav 将继续扩展更多数据集、更多模型、多数据联合训练、更多具身平台与真实环境，推动导航 VLA 研究走向 更加开放、可复用和可持续的研究体系。

Make navigation VLA simple