知识卡片：TANGO——面向杂乱环境人形导航的全身视觉-语言-行动模型

一句话结论

TANGO 提出一种“全身视觉-语言-导航”框架，将自然语言指令与第一视角 RGB 观测直接映射为人形机器人的 29 自由度关节空间动作，在仿真中训练并在 Unitree G1 人形机器人上零样本部署于杂乱真实场景；论文称其为该方向首个工作，但具体性能数值与实验细节待核实。

英文标题与关键词

• 英文标题：TANGO: Humanoid Navigation in Cluttered Environments with a Whole-Body Vision-Language-Action Model
• 英文关键词：TANGO; Humanoid Navigation; Whole-Body Vision-Language-Action Model; Cluttered Environments; 29-DoF Joint-Space Actions

事件概述或研究问题

传统导航常被建模为 2D 路径规划问题，但人形机器人在杂乱室内空间穿越时，需要持续的几何感知与全身适应，包括协调手臂放置、调整躯干、调节步态，才能在复杂 3D 空间中无碰撞移动。TANGO 研究的问题正是：能否用视觉-语言-行动模型直接学习这种语言条件化的人形杂乱环境穿越行为，而不是将导航简化为 2D 规划再加低层控制。

方法/产品要点

• 输入：自然语言指令 + 第一视角（egocentric）RGB 观测。
• 输出：直接预测 29-DoF 关节空间动作，供下游全身控制使用。
• 训练完全在仿真中完成，通过多条管线合成多样化的无碰撞穿越行为：全局路径规划、运动学全身运动生成、障碍物感知的运动编辑、基于强化学习的跟踪。
• 该训练管线提供动态可行的动作监督，用于学习语言条件化的全身策略。

主要结果或产业意义

• 在仿真实验中，论文声称 TANGO 在视觉语言导航任务上达到 state-of-the-art 性能，并在需要障碍物协商的挑战性场景中优于强模块化基线。
• 在 Unitree G1 人形机器人上进行了零样本部署，未使用任何真实世界导航数据，论文观察到鲁棒的语言引导杂乱场景穿越行为。
• 具体的成功率、量化指标、真实场景样本量等信息摘要中未提供，待核实。

为什么重要

• 将 VLA 模型从常见的桌面操作或二维导航扩展到“全身 + 三维杂乱空间”的人形导航，直接生成高维关节动作，而不是只输出路径点或末端速度。
• 与已有相关卡片中的 TurboVLA、FibVLA 等工作侧重推理效率或时序建模不同，TANGO 的增量在于任务设定和动作空间：输入语言指令与第一视角 RGB，输出 29-DoF 全身动作，并给出仿真训练 + 真实机器人零样本部署的初步证据。
• 若结果可靠，可能为人形机器人在家庭、仓储等杂乱环境中的语言引导移动提供新的学习范式。

局限与不确定性

• 当前信息仅来自 arXiv 摘要，完整论文中的仿真设置、基线对比、真实世界实验细节、失败案例等均待核实。
• “零样本”指未使用真实世界导航数据训练，但不代表不存在 sim-to-real 差距；对动态障碍、未知物体、闭环稳定性等问题的处理未在摘要中说明。
• 29-DoF 动作是否对应完整 Unitree G1 自由度、如何与底层控制器衔接，材料未明确说明，待核实。
• “首个全身 VLA 导航框架”是论文自述，需要结合文献调研和同行评议进一步确认。

可用于图书/PPT/简报的角度

• 机器人导航的范式转变：从 2D 路径规划走向全身 3D 行为生成。
• 语言指令如何驱动人形机器人的手臂、躯干和步态协同避障。
• 仿真训练 + 零样本真实部署：一种大规模生成多样穿行行为的训练管线示例。
• VLA 模型的新边界：不只控制机械臂末端，而是控制整个人形机器人完成语言引导的移动任务。

与既有脉络的关系

已有相关卡片中的 VLA 工作主要关注操作任务的实时性、时序效率与推理忠实性。TANGO 的增量信息在于把 VLA 用到了全身体控制的人形导航：输入语言指令与第一视角 RGB，输出 29-DoF 动作，训练完全在仿真中完成，并以零样本方式部署到 Unitree G1。它不直接延续 TurboVLA/FibVLA 的架构或实验，而是在“任务范围”上扩展了 VLA 的适用域。

原始材料

• 英文标题：TANGO: Humanoid Navigation in Cluttered Environments with a Whole-Body Vision-Language-Action Model
• arXiv ID：2609.09158v1
• 作者：Anqi Li, Yuxin Chen, Zhaobo Li, Zhuo Cao, Junli Ren, Masayoshi Tomizuka, Dhruv Shah
• 提交/更新时间：2026-09-08
• 分类：cs.RO; cs.AI
• 来源 URL：https://arxiv.org/abs/2609.09158v1