视觉语言导航模型在处理复杂长程任务时，常面临空间信息丢失与计算效率低下的双重瓶颈。JanusVLN框架通过模拟人脑双重记忆机制，巧妙分离语义与空间信息，为高效、精准的三维导航提供了全新解决思路。
智能速览
当前导航模型普遍存在空间信息丢失、计算内存爆炸和2D/3D理解矛盾三大难题。
JanusVLN设计了视觉语义与空间几何两条独立记忆通路，分别负责识别物体与感知位置。
通过将历史信息提炼为固定尺寸的神经表征，从根本上解决了长期导航的内存爆炸问题。
采用增量更新机制，模型推理效率大幅提升，为实时导航应用奠定基础。
在VLN-CE基准测试中，仅凭单目RGB输入便超越了依赖多模态输入的复杂方法。
精华内容
面对视觉语言导航的核心挑战，JanusVLN如何通过解耦与记忆革新，实现性能与效率的双重飞跃？
导航瓶颈
现有视觉语言导航模型虽能力强大，但在执行长时间、复杂任务时暴露出明显短板。首先是空间信息丢失，模型过度依赖文本构建认知地图或记忆原始视觉画面，导致对“左边”、“后面”等复杂空间关系的理解能力不足。
其次，每走一步都要“复习”全部历史画面，造成计算量和内存随导航时间爆炸式增长，决策速度越来越慢。
最后，导航本质是三维交互，但多数模型使用为2D图像设计的视觉编码器，对深度和结构等三维信息的理解存在先天缺陷。
双路解耦
JanusVLN的灵感源于人脑左右半球的分工模式，提出了一个名为双重隐式神经记忆的创新框架。该框架的核心是两条完全解耦的记忆通路：一条是视觉语义记忆，专注于理解“这是什么”，负责识别场景中的桌子、椅子等物体；另一条是空间几何记忆，专注于理解“它在哪里”，负责感知物体的远近、朝向和相互布局。
这两条通路互为补充，让模型在理解物体语义的同时，也能精准把握其空间关系。
高效记忆
为了解决内存爆炸问题，JanusVLN摒弃了存储原始历史图像的传统做法，转而将历史信息提炼成紧凑、固定尺寸的神经表征，类似于KV Caches。这种方式如同人脑的记忆机制，存储的是经过处理的精华而非原始录像，从根本上控制了内存占用。
同时，模型采用“初始窗口”与“滑动窗口”相结合的缓存机制，在每一步只需处理当前帧并融合历史记忆，避免了重复计算，使得推理效率得到大幅提升。
性能实测
在实际测试中，JanusVLN展现了卓越的性能。在权威的VLN-CE基准测试上，其综合指标达到了当前最佳水平（SOTA）。
尤为值得注意的是，该模型仅使用单目RGB摄像头作为输入，其成功率就已超越了许多依赖全景图像、深度图等多模态输入的复杂模型。这一结果不仅证明了其框架的有效性，也为在资源受限的机器人上部署高性能导航系统提供了可能。
JanusVLN通过巧妙的解耦设计与记忆革新，为具身智能的导航能力带来了实质性突破。未来，这种双重记忆机制能否启发更多领域，值得期待。
