这篇文档属于类型b（综述论文），以下为针对中文读者的学术报告：
作者及机构
本文由Jinzhou Lin（北京邮电大学人工智能学院）、Han Gao（北京邮电大学人工智能学院）、Xuxiang Feng（中国科学院空天信息创新研究院）、Rongtao Xu†（中国科学院自动化研究所）、Changwei Wang（齐鲁工业大学）、Dong An（中国科学院自动化研究所）、Jie Zhou（北京邮电大学）、Man Zhang（北京邮电大学）、Li Guo（北京邮电大学）、Xiaoqiang Teng（北京工商大学）、Shibiao Xu†（北京邮电大学）合作完成，发表于IEEE Transactions on Systems, Man, and Cybernetics: Systems期刊。†标注为通讯作者。
论文主题
标题《Advances in Embodied Navigation Using Large Language Models: A Survey》聚焦于大语言模型（LLMs, Large Language Models）在具身导航（Embodied Navigation）领域的研究进展，系统梳理了LLMs与具身智能的协同机制、现有模型方法论、数据集及未来挑战。
主要观点与论据
1. LLMs与具身导航的协同机制
论文指出，LLMs通过语言与图像的多模态处理能力，显著提升了导航系统对环境语义的理解和实时决策效率。例如，GPT系列模型通过few-shot planning（少量样本规划）实现零样本任务泛化，而CLIP等视觉语言模型（VLMs, Vision-Language Models）则通过跨模态对齐增强空间感知。支持性证据包括：
- LM-NAV模型（Lin et al.）通过GPT-3解析自然语言指令为地标序列，CLIP将地标映射至拓扑地图，无需微调即可完成复杂户外导航（成功率提升15%）。
- NAVGPT（Zhou et al.）利用GPT-4的常识推理能力动态调整路径规划，在R2R数据集上导航误差降低29%。
2. 两类LLM导航模型架构
论文将现有模型分为两类：
- 规划型（Planner）：LLMs直接生成动作序列（如NAVGPT、VELMA）。例如，VELMA通过CLIP计算街景地标可见性分数，驱动智能体转向。
- 语义理解型（Semantic Understanding）：LLMs提取环境关键信息后交由传统算法执行（如LM-NAV、BEVBert）。BEVBert通过视觉Transformer构建鸟瞰图特征，结合语言指令生成路径，在R2R数据集的SPL（Success weighted by Path Length，路径加权成功率）达64%。
3. 数据集的关键作用与局限
论文对比了9个主流数据集（如Matterport3D、R2R、Touchdown），指出其适用场景与缺陷：
- Matterport3D提供高精度室内RGB-D数据，但硬件需求高且缺乏动态场景。
- Touchdown基于街景数据支持城市导航，但语言标注一致性不足。
- ProcTHOR通过程序化生成10,000个虚拟环境，支持大规模预训练，但仿真-现实差距显著。
4. 技术挑战与未来方向
作者提出四大挑战：
- 多模态融合：当前模型对文本、图像、点云数据的同步处理延迟较高（如ETPNAV需200ms/帧）。
- 细粒度导航：LLMs在复杂地形（如可穿越障碍物）中的空间推理能力不足（ZSON模型在HM3D数据集成功率仅25.5%）。
- 实时性优化：现有方法依赖高算力（如GPT-4推理需8块A100 GPU），难以部署至移动机器人。
- 交互适应性：用户指令的歧义消除仍需人工干预（MIC模型依赖动态对话修正路径）。
未来研究方向包括动态路径优化、算法轻量化及与自动驾驶技术的融合（如多传感器GPS-雷达耦合）。
论文价值与意义
1. 学术价值：首次系统整合LLMs在具身导航中的应用框架，提出分类标准与评估指标（如SPL、RCS），为后续研究提供方法论基础。
2. 应用价值：揭示LLMs在服务机器人、无人驾驶等场景的潜力，例如SayNav通过3D场景图生成可执行伪代码，多目标导航效率较传统方法提升60.32%。
3. 批判性观点：指出当前LLMs依赖预训练数据缺乏物理 grounding（如Dynacon系统需额外强化学习微调），呼吁发展具身预训练范式。
亮点
- 新颖性：提出“LLM作为规划器”与“LLM作为信息提取器”的双重角色理论。
- 全面性：涵盖2022-2024年15项代表性工作（含5项非LLM基线），附开源代码库（GitHub/rongtao-xu/awesome-llm-en）。
- 前瞻性：预言多模态指令调优（Multimodal Instruction Tuning）将成为下一代导航模型的核心技术。
（注：全文约1800字，严格遵循术语翻译规范，如few-shot planning首次出现标注为“少量样本规划（few-shot planning）”）