香港大学等发布Compass 1导航基础模型：单目RGB视频训练，开放世界成功率79.4%对17.8%
核心概要
香港大学、上海创智学院、Archon Robotics等机构发布具身导航基础模型Compass 1，只用单目RGB视频训练，在统一的理解与生成骨干上加入稀疏关键帧和一张显式的历史表示地图，使智能体能回溯近两分钟的视觉历史。在办公室、露台、复杂户外和行人密集街道四类场景、八项任务的零样本实机评测中，Compass 1总体成功率为79.4%，最强基线AwareVLN为17.8%；持续历史回溯任务上基线为0%，Compass 1为58%。
深度剖析
具身导航智能体第一次能在真实开放环境里把近两分钟前的视觉记忆用起来，而不只是依赖最近几帧。 此前的导航架构要么把未压缩的完整视觉流塞进骨干，要么做启发式压缩或固定频率均匀采样，都只能维持少数几帧的有效上下文，持续历史回溯任务因此无法完成。 在四类场景、八项任务、每项10次试验共320次零样本实机评测中，Compass 1总体成功率79.4%，最强基线AwareVLN为17.8%；持续历史回溯一项基线为0%，Compass 1为58%。
历史信息不靠改网络结构，而是把稀疏关键帧和一张画着走过路径的地图一起当作图像喂给骨干。 关键帧按动作引导选取，转弯和过渡区域密集采样、直行段每3秒稀疏采样，一分钟240帧的视频平均压到约40帧。 过去的关键帧连同带编号的轨迹画在一张二维画布上，即历史表示地图，当前位姿用红色字母C和箭头标出，骨干把它和关键帧一起作为原生图像输入处理。
光有地图不够，还需要三类结构化视觉问答监督把地图激活成可用的推理。 直接把历史表示地图当输入时，骨干会忽略这份引导，因此监督协议是让地图生效的必要机制。 三类问题分别对应任务阶段定位、探索一致性和时空目标检索；去掉时空目标检索后，历史表示地图的输入完全失效，回溯能力随之严重退化。
启示与展望
评测覆盖办公室、露台、复杂户外和行人密集街道四类场景，每项任务10次试验，物理验证以约0.5米相机高度的Unitree Go2四足为主，另在轮式机器人、人形和无人机上做跨本体测试；持续历史回溯目前没有对应的仿真基准。
持续历史回溯仍是难点，返程中被障碍物遮挡会让机器人即使知道目标大致位置也丢失返回朝向；人形和无人机因姿态抖动与气流扰动出现性能小幅下降；网络视频数据带来的提升受其质量限制。