ScaleNav：面向语言条件局部导航的可扩展互联网视频预训练框架

ScaleNav 提出统一的世界-动作框架，通过三阶段训练从互联网第一人称视频中学习目标导向的视觉动态，用于语言条件局部导航。该模型在 Short-Horizon OVON 单视角适配版本上成功率达 86.5%，在 HabitatGS-LN 基准上达 94.9%，均优于所评估的基线。研究团队还在真实四足机器人上部署并评估了 ScaleNav，结果支持其泛化到真实世界导航的能力。