112、导航大模型：LLM与VLM驱动的机器人导航决策昨晚在实验室调了一台四轮差速底盘，导航到工位B的时候，机器人硬是在走廊里转了三圈，最后撞上了消防栓。日志里显示路径规划正常，局部避障正常，但全局目标点一直在漂——后来发现是视觉语言模型把“工位B”理解成了墙上贴的B4标签，而不是工位本身。这种问题，纯靠传统导航栈永远发现不了，因为代价地图里根本没有语义信息。今天这篇，就把LLM/VLM怎么真正揉进导航决策这件事讲透。先说清楚一个误区：很多人以为导航大模型就是把GPT的API接到ROS里，让机器人听懂“去厨房”然后调用move_base。这确实能跑demo，但离能用差得远。真正的导航大模型，要解决的是三个层面的问题：第一，把自然语言指令或者视觉观察转化成机器人可执行的导航目标，这个目标不是坐标点，而是带语义约束的拓扑节点；第二，在全局规划层面引入语义先验，比如“穿过客厅”和“绕过客厅”在代价地图上可能路径长度差不多，但语义代价完全不同；第三，在局部执行过程中，用VLM实时校验当前视野是否与任务意图一致，而不是死盯着激光雷达的2D点云。我调试时最常踩的坑，是把LLM的输出直接当坐标用。你让GPT-4o输出一个经纬度或者栅格坐标，它确实能给你，但那个坐标的误差在真实环境里可能超过两米。正确做法是让LLM输出语义描述，然后通过一个语义-拓扑映射模块去匹配预建的地图节点。这个模块可以是向量数据库，也可以是图神经网络，但核心是——LLM负责“理解”，不负责“测量”。具体到架构，我推荐三层解耦。最上层是任务理解层，输入是用户指令加当前视觉图像，输出是一个结构化的导航意图，比如{goal: "工位B", constraint: "avoid_peo