Qwen-RobotNav Technical Report: A Scalable Navigation Model Designed for an Agentic Navigation System

Agentic navigation systems require a base navigation model whose observation strategy can be externally reconfigured at inference time, because instruction following, object search, target tracking, and autonomous driving share the same perception-planning backbone yet demand fundamentally different strategies for consuming the visual stream. We present Qwen-RobotNav, a scalable navigation model built on Qwen-RobotNav that addresses it through a parameterised interface with two complementary dimensions: multiple task modes that select the navigation behaviour, and controllable observation parameters (e.g., token budget, per-camera weights) that govern how visual history is encoded. With training-time randomization over all parameters, Qwen-RobotNav is robust to any inference-time configuration requiring zero architectural modification to the Qwen-RobotNav backbone. We train Qwen-RobotNav on 15.6M samples; co-training with vision-language data prevents the collapse into reactive action-sequence mappers observed in trajectory-only training. The parameterised interface also makes Qwen-RobotNav a natural building block for agentic systems: for long-horizon scenarios, an upper-level planner decomposes goals into sub-tasks and dynamically switches Qwen-RobotNav's task mode and context strategy mid-episode, composing complex behaviours from repeated calls to the same model. Extensive experiments show that Qwen-RobotNav sets new state-of-the-art results across major navigation benchmarks. The model exhibits favourable scaling from 2B to 8B parameters, with joint multi-task training developing a shared spatial-planning substrate that transfers across task families, and demonstrates strong zero-shot generalisation to real-world robots across diverse environments.

한 줄 요약

Qwen-RobotNav는 다양한 탐색 작업을 유연하게 처리하는 파라미터화된 인터페이스를 갖춘 확장 가능한 탐색 모델로, 15.6M 샘플로 학습하여 VLN-CE, EVT-Bench 등 주요 벤치마크에서 최신 성능을 달성한다.

핵심 기여도

파라미터화된 인터페이스를 통해 탐색 행동(예: VLN, PointNav)과 관찰 파라미터(예: 토큰 예산, 카메라 가중치)를 유연히 조정 가능.
15.6M 샘플로 학습하며, 비전-언어 데이터와의 공동 학습을 통해 반응형 행동 매핑(collapse)을 방지.
2B~8B 파라미터 규모에서 유리한 확장성 보유, 특히 장기적 탐색 작업에서 성능 향상.
Embodied Question Answering(EQA)에서 기존 최고 기록 대비 HM-EQA +10.8%, EXPRESS-Bench +15.4% 개선.

핵심 아이디어

기존 탐색 모델은 특정 작업에 고정된 관찰 전략을 사용하여 유연성이 부족했다. Qwen-RobotNav는 Qwen3-VL 기반으로, 관찰 전략을 외부에서 동적으로 재구성할 수 있는 인터페이스를 도입했다. 이 인터페이스는 두 가지 차원으로 구성된다: (1) 작업 모드(VLN, PointNav, ObjNav, Tracking)로 탐색 행동을 선택하고, (2) 관찰 파라미터(예: 토큰 예산, 시간 감쇠, 카메라 중요도 가중치)로 시각 히스토리 인코딩 방식을 제어한다. 학습 시 모든 파라미터에 대한 무작위화(randomization)를 통해 추론 시 설정 변경에도 안정적인 성능을 보장한다. 이는 기존 NavFoM이나 ABot-N0와 달리, 고정된 관찰 전략에 의존하지 않는다는 점에서 혁신적이다.

기술적 접근법

**모델 아키텍처**: Qwen3-VL 기반으로, Vision Encoder(SigLIP-2 ViT + 2D-RoPE), Language Backbone(Qwen3-VL), Action Head(4-layer MLP)로 구성.
**관찰 인코딩**: Dynamic-resolution 지원, DeepStack을 통해 ViT의 여러 레이어 정보를 LLM에 주입.
**학습 데이터**: 15.6M 샘플(85%는 5가지 탐색 작업, 15%는 비전-언어 데이터)로 학습.
**파라미터**: 토큰 예산(B), 시간 감쇠(γ) 등 관찰 파라미터를 학습 시 무작위로 조정.
**추론 시 설정**: 작업 모드와 관찰 파라미터를 외부에서 지정 가능하며, Qwen3-VL 본체는 수정 없이 사용.

주요 결과

**VLN-CE RxR**: 76.5% 성공률 (SR), NavFoM 대비 +12.1% 개선.
**EVT-Bench**: 90.0% 추적률 (TR), 기존 최고 기록.
**NAVSIM**: 91.4 PDMS, 기존 최고 기록.
**EQA**: HM-EQA +10.8%, EXPRESS-Bench +15.4% 개선, 77% 적은 탐색 단계로 달성.
**파라미터 확장성**: 2B→8B로 확장 시, 특히 장기적 탐색 작업에서 성능 향상.

의의 및 한계

Qwen-RobotNav는 단일 모델이 다양한 탐색 작업을 유연하게 처리할 수 있도록 파라미터화된 인터페이스를 도입함으로써, 기존 고정된 관찰 전략을 갖는 모델들의 한계를 극복했다. 특히, 상위 계획자와의 자연어 기반 협업을 통해 장기적 목표를 분해하고, 동적으로 작업 모드와 관찰 전략을 전환함으로써 복잡한 행동을 생성할 수 있다는 점에서 학술적·실용적 가치가 크다. 그러나, 실제 로봇 환경에서의 장기적 안정성이나 에너지 효율성에 대한 평가가 명시되지 않았으며, 특정 작업에서의 최적 파라미터 조합은 여전히 실험적 조정이 필요할 수 있다.

실용적 활용

Qwen-RobotNav는 지능형 로봇 탐색 시스템, 자율 주행, 가상 환경 내 대화형 탐색(AI 에이전트) 등 다양한 분야에 적용 가능하다. 특히, 상위 계획자와의 협업을 통해 복잡한 다단계 탐색 작업(예: Embodied Question Answering)을 처리하는 데 유용하며, 다양한 로봇 플랫폼에 쉽게 확장할 수 있다.