EmergeNav：连续环境中零样本视觉语言导航的结构化具身推理

连续环境中的零样本视觉语言导航（VLN-CE）对现代视觉语言模型极具挑战。尽管模型具备语义先验，但开放式推理难以转化为稳定的长程具身执行。本文指出瓶颈在于缺乏组织指令跟随、感知接地及进度验证的执行结构。为此，提出 EmergeNav 框架，将导航建模为结构化具身推理。该方法结合“规划 - 求解 - 转移”层级架构、目标条件感知提取及对比双重记忆推理，实现了无需特定训练或显式地图的强零样本性能，证明了显式执行结构是将先验转化为稳定导航行为的关键。