Vision-and-Language Navigation Today and Tomorrow: A Survey in the Era of Foundation Models

Summary

Vision-and-Language Navigation Today and Tomorrow: A Survey in the Era of Foundation Models

• 核心: 用 LAW（Language-Agent-World）框架把 VLN 研究切成 World Model / Human Model / VLN Agent 三个子问题，系统梳理 foundation model 时代的 VLN 方法与 benchmark。
• 方法: Top-down 综述——不按 benchmark 或模型时间线组织，而是按”foundation model 在 VLN 里扮演什么角色”来归类（history encoder / pre-trained repr / instruction synthesizer / planner / agent backbone）。
• 结果: 覆盖 24 个 VLN benchmark（indoor R2R/RxR/REVERIE 系到 outdoor TouchDown/CARLA/AerialVLN，按 world×human×agent×dataset 4 维分类），识别出 4 种 FM 角色，给出 5 条未来方向（2D→3D、instruction→dialogue、sim→real、embodied FM、hallucination）。
• Sources: paper | github
• Rating: 2 - Frontier （作为 LLM 时代 VLN 的第一本系统 survey，taxonomy 清晰，但一年多后 streaming VLA、VLN-R1、3D EWR 等新路线已出现，结构性覆盖度开始老化，不到 foundation 级）

Key Takeaways:

1. LAW 三分法是全篇骨架：World model（环境表征与记忆）+ Human model（指令解释与对话）+ VLN Agent（grounding / planning / 端到端 policy），是从 Hu & Shu 2023 借来的通用 agent 框架，用来把 VLN 的异质挑战标准化。
2. Benchmark 四维分类：world（domain × environment）× human（turn × format × granularity）× agent（embodiment × action space × extra task）× dataset collection（text × route）。这张表（Table 1）比 taxonomy 本身更有信息量，可以直接用来挑对标 benchmark。
3. FM 有 4 种角色：(a) 作为 visual/text encoder（CLIP、BERT、VLM pre-training）；(b) 作为 instruction synthesizer / oracle（Marky、GPT-3 分解指令）；(c) 作为 planner（LLM-Planner、SayCan、VL-Map 的 code-as-policy）；(d) 作为 agent 本体（NavGPT、MapGPT zero-shot；NavCoT 监督微调）。
4. R2R + Matterport3D 是 de facto 起点，但 VLN-CE（continuous）、REVERIE（object grounding）、CVDN / TEACh（dialogue）、ALFRED（manipulation）、TouchDown / AerialVLN（outdoor / aerial）分别暴露了该起点的不同盲区。
5. Taxonomy 暴露 gap：Human Model 章节远薄于 World / Agent——对话式 VLN、information seeking、oracle 机制都还是规则驱动而非 FM 驱动，是 survey 隐含的 under-explored 方向。

Teaser. LAW 框架把 VLN 拆成 World Model / Human Model / VLN Agent

Figure 1 把 VLN agent 建模为：环境侧的 world model（理解 3D 场景 + action→state 的动力学）、人侧的 human model（解读语言指令、维护说话人 goal），两者作为输入共同喂给 agent 的 reasoning & planning 模块输出动作。这张图是理解整篇 survey 章节编排的 key。

---

1. Taxonomy & 分类框架

Figure 2. VLN challenges & solutions within the LAW framework

Survey 把每个模块进一步拆成具体挑战：

• World model → history & memory（encoding / graph-based）+ generalization（pre-trained visual repr / environment augmentation）
• Human model → ambiguous instructions（perceptual context / information seeking）+ generalization of grounded instructions（pre-trained text repr / instruction synthesis）
• VLN agent → grounding & reasoning（explicit semantic / VLN pre-training）+ planning（graph-based / LLM-based）+ FM as agent（VLM / LLM）

方法在 foundation model 里扮演的角色 也被显式分 4 类（见 Figure 2 右下）：backbone encoder、data / oracle generator、planner、agent policy。这条正交轴是本 survey 对过往 VLN survey（Gu et al. 2022 / Park & Kim 2023 / Wu et al. 2024）的主要差异化——它们按 benchmark × method 组织，这篇按 FM 角色组织。

❓ LAW 框架把 Human model 抬到和 World model 平级，这在 VLN 里 OK（指令是核心输入），但迁移到 VLA / manipulation 就不自然——那里没有专门的 “human model”。这个框架的适用边界没有被讨论。

2. Benchmarks & Task Formulations

2.1 VLN 任务定义

Agent 接收语言指令序列、以 egocentric 视角感知 3D 环境，输出离散 view 序列或 low-level control（如 FORWARD 0.25m），距离目标 ≤3m 判定成功。可选扩展：多轮对话、manipulation（SayCan-style）、object detection。

2.2 Benchmark 总览

Table 1（浓缩版）：24 个 VLN benchmark 按 4 维分类。全表太宽，这里挑 highlight：

Benchmark	Domain	Env	Turn	Lang Format	Action Space	Embodiment
R2R (Anderson 2018)	Indoor	Matterport3D	Single	Multi Instr	Graph	Robot
R4R (Jain 2019)	Indoor	Matterport3D	Single	Multi Instr	Graph	Robot
RxR (Ku 2020)	Indoor	Matterport3D	Single	Multi Instr (multilingual)	Graph	Robot
REVERIE (Qi 2020)	Indoor	Matterport3D	Single	Multi Instr (goal-oriented)	Graph	Robot + Detect
SOON (Zhu 2021)	Indoor	Matterport3D	Single	Multi Instr (goal)	Graph	Robot
VLN-CE (Krantz 2020)	Indoor	Habitat + MP3D	Single	Multi Instr	Discrete	Robot
Robo-VLN (Irshad 2021)	Indoor	Habitat + MP3D	Single	Multi Instr	Continuous	Robot
CVDN (Thomason 2020)	Indoor	MP3D	Multi	Restricted dialogue	Graph	Robot
HANNA (Nguyen 2019)	Indoor	MP3D	Multi	Multi Instr	Graph	Robot
ALFRED (Shridhar 2020)	Indoor	AI2-THOR	Single	Multi Instr	Discrete	Robot + Manipulation
TEACh (Padmakumar 2022)	Indoor	AI2-THOR	Multi	Freeform	Discrete	Robot + Manipulation
DialFRED (Gao 2022)	Indoor	AI2-THOR	Multi	Restricted	Discrete	Robot + Manipulation
TouchDown (Chen 2019)	Outdoor	Google Street View	Single	Multi Instr	Graph	—
LCSD / CDNLI / SDN	Outdoor	CARLA	Single/Multi	Multi Instr / Freeform	Discrete / Cont	Driving
AerialVLN (Liu 2023)	Outdoor	AirSim	Single	Multi Instr	Discrete	Aerial
ANDH (Fan 2023)	Outdoor	xView	Multi	Freeform	Discrete	Aerial
RobotSlang (Banerjee 2021)	Indoor	Real	Multi	Freeform	Discrete	Robot

四维分类提纲（survey 原文 §2.3）：

• World：domain（indoor / outdoor）+ environment（MP3D / Habitat / AI2-THOR / Street View / CARLA / AirSim / Real）
• Human：turn（single / multi）+ format（freeform / restricted dialogue / multi-instruction）+ granularity（action-directed “A” / goal-directed “G”）
• VLN Agent：type（household robot / driving / aerial）+ action space（graph / discrete / continuous）+ extra task（manipulation / detection）
• Dataset：text collection（Human “H” / Templated “T”）+ route（Human “H” / Planner “P”）

2.3 Evaluation Metrics

1. NE（Navigation Error）：终点到 goal 的测地距离均值。
2. SR（Success Rate）：到目标 ≤3m 的比例。
3. SPL（Success weighted by Path Length）：SR 用轨迹长度归一，平衡成功率和路径效率。
4. CLS（Coverage weighted by Length Score, Jain 2019）：度量对参考路径的覆盖。
5. nDTW（Normalized Dynamic Time Warping, Ilharco 2019）：惩罚对 ground-truth 轨迹的偏离。
6. sDTW：nDTW × SR，同时考虑 fidelity 和 success。

3. World Model — 学习与表达视觉环境

3.1 History & Memory

History Encoding 的演进：

• LSTM 隐状态 + attention + auxiliary task（pre-FM 时代：Tan 2019、Wang 2019、Ma 2019、Zhu 2020）
• Recurrent state token：Hong 2021（RecBERT，单个 [CLS] token 作为 history state）、Lin 2022a（variable-length memory bank）。限制：step-by-step 更新，难任意步取用。
• Sequential multi-modal Transformer：Pashevich 2021（单视图/步）、HAMT（Chen 2021b, panorama encoder + history encoder 的分层结构，支持大规模 instruction-path pre-training）。后续简化：Kamath 2023 用 mean pooling、Qiao 2022 用前视图编码。
• Text-as-history：LLM agent 时代，视觉 → textual description，history 变成 image description 序列 + heading/elevation/distance（Zhou 2024b NavGPT-family）。HELPER（Sarch 2023）用 language-program pair 外部记忆 + retrieval-augmented prompting。

3.2 Graph-based History

用 topological / grid / semantic / metric map 作为额外 history 结构：

• Topological：DUET (Chen 2022c)、Deng 2020、Wang 2023b、SOON (Zhu 2021a)
• Grid map：Wang 2023g、Liu 2023a
• Semantic map：Hong 2023a、Huang 2023a (VL-Map)、Georgakis 2022 (CM2)、Anderson 2019、Irshad 2022
• Local metric map：An 2023
• LLM + map memory：MapGPT（Chen 2024a，linguistic-formed map 存 topological graph）、MC-GPT（Zhan 2024b，topological map 存 viewpoint/object/spatial relation）

3.3 Generalization across Environments

Pre-trained visual repr：ResNet → CLIP encoder（Shen 2022 显示 CLIP 对 VLN 涨点）→ video-pretrained encoder（Wang 2022b，时序信息对导航关键）。

Environment augmentation：

• Mixup-style：EnvEdit（Li 2022b 改外观）、EnvMix（Liu 2021 混房间）、KED（Zhu 2023）、FDA（He 2024a 插值高频特征）
• Synthesized future views：Pathdreamer（Koh 2021）、SE3DS（Koh 2023）
• 从 fine-tune 到 pre-training：LSTM 时代直接 fine-tune 在增强环境上；FM 时代已把增强环境吸收进 pre-training stage（Li & Bansal 2024、Kamath 2023、Chen 2022b、Wang 2023h、Lin 2023b、Guhur 2021a）。核心发现：in-domain pre-trained multi-modal Transformer > 从 Oscar / LXMERT 初始化。

4. Human Model — 解读与沟通

4.1 Ambiguous Instructions

问题：单轮指令里 landmark 可能不可见或多视图重复（VLN-Trans, Zhang & Kordjamshidi 2023）。

Perceptual context + commonsense 路线：

• CLIP-based visual matching：VLN-Trans（翻译为 sub-instruction）、LANA+（Wang 2023f，CLIP 匹配 landmark tag）、KERM（Li 2023a，retrieval-augmented navigation view knowledge）、NavHint（Zhang 2024b，详细视觉描述 hint dataset）
• LLM commonsense：Lin 2024b（开放世界 landmark 共现）、SayCan（把指令分解成 pre-defined actions + affordance weighting）

Information Seeking 路线（三个子问题）：

1. 何时问（Chi 2020）；
2. 问什么：下一个 action / object / direction（Roman 2020、Singh 2022）；
3. 谁来答：真人 / 规则 / 神经 oracle（Nguyen & Daumé III 2019 HANNA）

FM 在这三步都可以插入：

• VLN-Copilot（Qiao 2024）：LLM 作 copilot 提供协助；
• Ren 2023：conformal prediction 判断 ask-or-not；
• Chen 2023c：in-context learning；
• Fan 2023b：GPT-3 分解 ground-truth 响应训练 oracle（SwinBert video-LM）；
• mPLUG-Owl 作为 zero-shot oracle（Fan 2023b）；
• Zhu 2021c：self-motivated agent，学 oracle confidence 实现推理时移除 oracle。

4.2 Generalization of Grounded Instructions

Pre-trained text repr：LSTM → BERT (PRESS, Li 2019b) → VL Transformer (VLN-BERT Majumdar 2020, PREVALENT Hao 2020) → Airbert (Guhur 2021b image-caption pre-train) → CLEAR (Li 2022a cross-lingual) → ProbES (Liang 2022, prompt tuning) → NavGPT-2 (Zhou 2025, InstructBLIP + Flan-T5 / Vicuna)。

Instruction synthesis：

• Speaker-Follower 时代：Fried 2018、Tan 2019、Kurita 2020 —— 质量差（Zhao 2021 验证）
• Marky（Wang 2022a / Kamath 2023）：multilingual T5 + visual landmark alignment，在 R2R 路径上达到近人类质量
• PASTS（Wang 2023c）：progress-aware spatiotemporal speaker
• SAS（Gopinathan 2024）：语义 + 结构线索生成富含空间信息的指令
• SRDF（Wang 2024c）：iterative self-training 生成器
• 导航中合成：LANA（Wang 2023e，边导航边描述）、VLN-Trans、Magassouba 2021

5. VLN Agent — 推理与规划

5.1 Grounding & Reasoning

Explicit semantic grounding（大多是 pre-FM 时代的）：motion/landmark 建模、syntactic 信息、spatial relation。FM 时代很少做显式 grounding，Lin 2023a 的 atomic-concept learning 是少数例外。

Pre-training VLN foundation models：

• Scene / object grounding pre-training（Lin 2021）
• LOViS（Zhang & Kordjamshidi 2022a）：orientation + visual 双任务
• HOP（Qiao 2022 / 2023a）：history-and-order aware
• Future view prediction（Li & Bansal 2023）：对长路径有效
• Masked path modeling（Dou 2023）
• Entity-aware pre-training（Cui 2023）

5.2 Planning

Graph-based planner：

• 全局图扩展局部动作空间：Wang 2021、DUET (Chen 2022c)、Deng 2020、Zheng 2024b
• 高/低层分层：Gao 2023 (zone → node)、Liu 2023a (grid-level action)
• VLN-CE waypoint predictor：Krantz 2021、Hong 2022、Anderson 2021
• Map-based global planning：CM2 (Georgakis 2022)、An 2024 / 2023、Wang 2023g、Chang 2024、Wang 2022c
• Future waypoint prediction：Wang 2023a / 2024a（视频预测 / 神经辐射场）

LLM-based planner：

• LLM-Planner（Song 2023）：动态 sub-goal 拆解
• Mic（Qiao 2023b）：static + dynamic step-by-step 指令
• A²Nav（Chen 2023b）：GPT-3 解析 sub-task
• ThinkBot（Lu 2023）：CoT 补全缺失动作
• VL-Map（Huang 2023a）：Code-as-Policy style（Liang 2023）+ queryable map
• SayNav（Rajvanshi 2024）：3D scene graph → LLM → 高层规划

5.3 Foundation Models as VLN Agents

VLMs as agents：single-stream VLM 同时吃 text + vision + history token，self-attention 统一建模。代表：Hong 2021、Qi 2021、Moudgil 2021、Zhao 2022；zero-shot：CLIP-NAV（Dorbala 2022）。VLN-CE 的 waypoint predictor 是把 DE 方法搬到 CE 的通用桥梁（Krantz 2021、Hong 2022、Anderson 2021、An 2022、Zhang & Kordjamshidi 2024）。

LLMs as agents：

• Zero-shot：NavGPT（Zhou 2024a，GPT-4 自主行动）、MapGPT（Chen 2024a，topological map → global exploration hint）、DiscussNav（Long 2024b，Instruction Analysis / Vision Perception / Completion Estimation / Decision Testing 多专家）、MC-GPT（Zhan 2024b）、InstructNav（Long 2024a，多源 value map）
• Fine-tuned：Zheng 2024a、Zhang 2024a、Pan 2024
• CoT-based：NavCoT（Lin 2024a，把 LLM 变成 world model + reasoning agent，模拟未来环境来决策）

6. Challenges & Future Directions

1. Benchmarks：
   • 需要 sim-to-real 统一平台（OVMM Yenamandra 2023）和面向真实人类需求的任务（BEHAVIOR-1K Li 2024a）
   • 动态环境：HAZARD、Habitat 3.0、HA-VLN
   • 从室内到室外：autonomous driving / aerial 正起势
2. World Model: 2D → 3D：目前主流是 2D repr，但 VLN 本质是 3D 任务。显式 3D 方向：semantic SLAM、volumetric、BEV grid、CLIP feature 投到 voxel（ConceptFusion）或 top-down map（VL-Map）、scene graph。3D foundation models（3D-LLM Hong 2023b、Huang 2024a、LRM、3D multimodal）是可能的下一步。
3. Human Model: Instruction → Dialogue：开放式对话 benchmark 已出现（TtW、RobotSlang、TEACh、SDN、ANDH），但方法仍靠规则模板，situated task-oriented dialogue 和 FM 还没真正结合。
4. Agent Model: Adapting FM for VLN：
   • Lack of embodied experience：embodiment foundation model 方向（EmbodiedGPT、PaLM-E、Octopus）
   • Hallucination：LLM 可能生成不存在的 object（“在沙发那里左转” 但房间里没沙发）
   • LLM in planning：PlanBench / CogEval 显示 LLM 在复杂规划上有限；VLN 动作空间受限，LLM 更适合做 coarse-grained 指令分解而非主决策者
5. Deployment: Sim → Real：perception gap（Wang 2024b 用 semantic map + 3D feature field 让 monocular robot 获得 panoramic perception）+ embodiment gap + data scarcity（robot teleoperation 是规模化数据收集方案，He 2024b）

7. 高频引用的 canonical VLN 工作

按 §3–5 中被多次引用的程度，survey 反复强调的 canonical 工作：

• R2R / Anderson 2018：VLN 的起点 benchmark，全篇几乎每节都引。
• DUET / Chen 2022c：graph-based history + planning 的代表。
• HAMT / Chen 2021b：panorama + history encoder 的 hierarchical Transformer，多次作为 FM 时代 VLN 的里程碑。
• PREVALENT / Hao 2020 + VLN-BERT / Majumdar 2020：in-domain VL pre-training 起点。
• RecBERT / Hong 2021：recurrent state token + single-stream VLM as agent。
• SayCan / Ahn 2022：LLM + affordance 的 instruction decomposition。
• NavGPT / Zhou 2024a + MapGPT / Chen 2024a：LLM-as-agent zero-shot VLN。
• Marky / Wang 2022a + Kamath 2023：instruction synthesis 的 SOTA speaker。
• VLN-CE / Krantz 2020 + Robo-VLN / Irshad 2021：从 DE 到 CE 到 continuous control 的三步。
• Matterport3D / Chang 2018 + Habitat / Savva 2019：两大 indoor 3D simulator。

---

关联工作

同类 survey（被本篇显式超越的）

• Gu et al. 2022 (ACL)：pre-FM 时代 VLN survey，bottom-up（benchmark + method），本篇显式批评其没覆盖 FM。
• Park & Kim 2023：类似视角的 VLN survey。
• Wu et al. 2024：较新的 VLN 综述但仍以 benchmark 为主。
• Zhu et al. 2021b / 2022、Zhang 2022a：visual navigation / mobile robot navigation 综述，语言讨论少。

对齐的 framework / motivation

• Hu & Shu 2023 (LAW framework)：World model + Agent model 的双模型视角，本 survey 直接借用并扩展为 World / Human / Agent 三分。
• Andreas 2022：把 instruction 理解为”建立对说话人的 latent model”，被本篇作为 human model 的 motivation。
• Ha & Schmidhuber 2018：World Model 原始论文，作为 world model 定义来源。

已在 vault 的 canonical VLN / embodied FM 工作

• 2202-DUET：graph-based VLN，survey §3.1 / §5.2 多次点名
• 2305-NavGPT：LLM-as-agent zero-shot，§5.3 的代表
• 2204-SayCan：LLM + affordance 的指令分解，§4.1 的代表
• 2303-PaLME：embodied FM，§6 Agent Model 讨论的代表

与 VLN 的关系

• 本 survey 写于 2024-07，截至 2026-04 的发展在 DomainMap 已更新：R2R-CE SOTA 从 survey 写作时的 ~55%（HAMT/DUET）被新一代（ETPNav 57%、NaVILA、PROSPECT 60.3%、Efficient-VLN 64.2%、GTA zero-shot 48.8%）超越；streaming VLA 路线和 VLN-R1 的 GRPO 训练在 survey 里完全没出现。所以本 survey 的”未来方向”部分（2D→3D、embodied FM）基本被验证，但它没预见到 VLN → VLA unification 这条路径。

---

论文点评

Strengths

1. Taxonomy 真正 principled：LAW 三分法 + FM 4 角色的正交轴给异质的 VLN 工作一个统一坐标系。不是”按时间列 benchmark”，而是”这个工作在解哪个子问题、FM 扮演什么角色”——对 reader 想定位某类方法非常有用。
2. Benchmark Table 1 是整篇最实用的 artifact：24 个 benchmark × 4 维属性，是挑对比 benchmark 和理解任务变体的实用 cheat sheet。没有这张表，整个 VLN 子领域的异质性很难迅速把握。
3. 跨 dimension 的 coverage 均衡：outdoor（TouchDown、CARLA、AerialVLN）、dialogue（CVDN、TEACh）、manipulation（ALFRED）、continuous（VLN-CE）、real-world（RobotSlang）都覆盖，不是只讲 R2R。
4. 作者组合强：Joyce Chai、Mohit Bansal、Qi Wu、Parisa Kordjamshidi 全是 VLN / embodied 的一线组，引用选择可信。
5. Challenges §6 清晰区分”benchmark”与”方法”两条 axis：Benchmark 缺 dynamic environment / sim-to-real / outdoor；方法缺 3D world model / dialogue human model / embodied LLM / hallucination 缓解——未来方向可操作性强。

Weaknesses

1. Human model 章节偏薄：§4 篇幅显著小于 §3 / §5，且大部分 FM 应用还停留在 CLIP 匹配 + GPT 分解指令，缺少对 situated dialogue、theory-of-mind、speaker intent modeling 的深入讨论。这恰好是框架里最有潜力 under-explored 的部分。
2. 没覆盖 2024 Q3 之后的 breakthrough：streaming VLA（NaVILA、StreamVLN、PROSPECT）把 VLN 重构为连续视觉流 + 端到端控制的方向，本 survey 完全没预见；GRPO-based RL（VLN-R1）和 explicit world representation（GTA）也是后续发展。这是综述时点的自然限制，但意味着到 2026 年它已无法作为唯一入门材料。
3. 缺对 sim-to-real gap 的定量讨论：§6 讨论了 deployment 挑战但没给出具体数字（sim 和 real 之间 SR / SPL 的 gap 是多少？哪些方法 close 了这个 gap？）。
4. “VLN Agent 的 4 种 FM 角色” 分类有交叠：backbone encoder / data generator / planner / agent policy 在实际论文里经常同时出现（e.g., NavGPT 既是 planner 又是 agent policy），survey 没讨论这种交叠。
5. 评测方法学的讨论缺失：SR / SPL / nDTW 在 dialogue / manipulation 混合任务上是否仍合适？如何评测 information seeking 的”问题质量”？这些 evaluation 层面的 open question 没被系统讨论。
6. 没讨论 VLN ↔ VLA 的结构同构：VLN 的 hierarchical planner + waypoint predictor，和 VLA 的 high-level planner + low-level action decoder 在架构上高度对应，但 survey 完全没跨出 VLN 的边界。

可信评估

Artifact 可获取性

• 代码：github.com/zhangyuejoslin/VLN-Survey-with-Foundation-Models 作为 reading list 仓库，持续更新（90d 内 3 次 commit，262⭐）；survey 本身不含代码。
• 模型权重：N/A（survey）
• 训练细节：N/A（survey）
• 数据集：未在 survey 中发布新 dataset；所有引用 benchmark 的链接列在 GitHub。

Claim 可验证性

• ✅ “LAW 框架可以统一组织 VLN 工作”：可通过阅读全文和 Table 1 验证——24 个 benchmark 确实可映射到 world × human × agent 三维。
• ✅ “R2R / Matterport3D 是 VLN 的 de facto 起点”：通过引用分布可验证。
• ⚠️ “foundation model 时代的 VLN 有 4 种 FM 角色”：分类本身合理，但边界模糊（见 Weakness 4），不是严格的 partition。
• ⚠️ “in-domain pre-trained multi-modal Transformer > 通用 VLM 初始化（如 LXMERT / Oscar）“：是 survey 引用 HAMT / DUET 等结果得出，但没给出在 Matterport3D vs 非 Matterport3D 环境下的详细对比。
• ⚠️ “LLM 在 VLN 里更适合做 coarse-grained 指令分解而非主决策”：survey 的直觉正确但缺数据支撑，仅引 PlanBench / CogEval 做泛化论证。

Notes

• Survey 的 LAW 框架在 VLN 里很自然，但不直接迁移到 manipulation / VLA——那里没有独立的 “human model”（指令通常更短、对话更少）。如果要用类似三分法组织 VLA survey，需要重新定义第二个模块——可能是 “Task Model” 或 “Skill Model”？可以作为 VLA-Survey 重构时的参考。
• Survey 没有给出 VLN-CE 下 SOTA 在 sim vs real 的 gap 表，但 DomainMap/VLN.md 里已补充：NaVILA 54% sim → 88% real（不同 setup），GTA 48.8% zero-shot sim。可以把这部分作为 VLN DomainMap “sim-to-real” section 的 seed。
• Survey 提到 VLN-CE → Robo-VLN → waypoint predictor 的三步演进，这正是现在 streaming VLA 取代 waypoint 路线的前置——survey 写作时 waypoint 还是 default，但 2025-26 streaming VLA 已尝试 skip 这一层。
• 连接到 VLN-VLA-Unification：survey 把 VLN 作为孤立任务，没有预见 VLN-VLA 结构收敛；这正是该 topic 的切入点。

Rating

Metrics (as of 2026-04-23): citation=79, influential=5 (6.3%), velocity=3.59/mo (22 months since publish); HF upvotes=0; github 262⭐ / forks=13 / 90d commits=3 / pushed 6d ago.

分数：2 - Frontier

理由：作为 LLM 时代 VLN 的第一本系统 survey，LAW taxonomy 和 Table 1 benchmark 分类是有结构性贡献的参考资料（不只是 reading list），在 VLN 子社区是相对核心的引用源（22 个月 79 引、3.6/mo velocity 对于 survey 是健康的，但 influential 比例只有 6.3% 偏低，反映被当 landmark reference 引而非技术继承）。但不到 Foundation 级：(a) influential citation 绝对数仅 5，说明没有成为新工作的结构性基础；(b) taxonomy 覆盖到 2024-07 为止，streaming VLA / VLN-R1 / 3D EWR 等 2025-26 关键路线未覆盖，结构性框架开始老化；(c) Human model 章节偏薄、与 VLA 的结构联动未讨论，作为 VLN 入门 reader 会有遗漏。高于 Archived 因它仍是理解 FM-era VLN benchmark 异质性和 pre-2024 方法脉络的最高效入口。