导航系统

高德推出的ABot全栈具身技术体系在具身智能领域取得重大突破，尤其是在CVPR 2026 Video World Model Workshop国际挑战赛中超越谷歌和英伟达，并在WorldArena全球排行榜上夺得第一名，横扫具身智能领域的15项SOTA指标。ABot技术体系由三层架构组成：数据层、模型层和应用层。数据层构建了一个可交互、可验证、可扩展的虚拟物理世界，通过ABot-World实现。模型层包括导航与执行双基座模型，分别负责路径规划和动作生成。应用层则是ABot-Claw机器人操作系统，提供统一的API规范，支持不同形态的机器人快速接入。高德的核心突破在于从视觉渲染范式向可微分物理引擎范式的转变，特别是ABot-PhysWorld采用了140亿参数的Diffusion Transformer模型，将物理规律嵌入到生成过程中，确保生成的视频物理上一致。此外，高德还通过ABot-3DGS系统性解决了数据生产难题，构建了可编程的数字孪生空间，通过大规模组合与仿真生成多样化的场景数据。在实际应用方面，高德展示了导盲机器狗和BridgeNav框架的成功案例，前者帮助盲人出行，后者解决从室外到室内的导航问题。高德还推出了ABot-Claw统一的机器人操作系统，支持跨机器人平台的零样本泛化，实现真正的具身智能。

SparseVideoNav 是OpenDriveLab团队开发的一种创新性具身智能导航系统，首次将视频生成模型引入真实世界的超视距导航任务中。该系统能够在亚秒级时间内完成轨迹推理，并在六个真实场景的零样本测试中，成功率达到现有最先进大语言模型基线的2.5倍。 SparseVideoNav 的成功在于其提出的稀疏视频生成范式，即战略性地选择关键时间步进行帧生成，而非生成所有连续帧。这种设计不仅大幅降低了计算开销，还提高了模型的学习效果。 SparseVideoNav 的系统架构包括视频生成模型骨干网络和基于扩散变换器的动作预测头，通过四个递进的训练阶段逐步构建起完整的导航能力。 SparseVideoNav 在大规模真实世界数据集的构建上也做出了创新，采用人工操作员手持稳定相机的方式采集数据，并通过Depth Anything 3模型对生成的视频重新提取动作标签，解决了动作监督信号与生成视频在视觉域上的不对齐问题。 SparseVideoNav 的成功不仅验证了技术方案的有效性，也为具身智能领域开辟了新的研究方向。

本文介绍了惯性测量单元（IMU）及其在现代导航系统中的重要作用。IMU能够在无卫星信号情况下提供车辆位置、速度、姿态与航向信息，尤其在高阶辅助驾驶和人形机器人领域至关重要。文中详细阐述了IMU的工作原理、应用场景以及移远通信推出的高性能IMU模组的特点和优势。随着智能驾驶和机器人技术的发展，IMU将成为智能体运动感知的重要组成部分，并有望在未来变得更加智能化、小型化和低功耗化。

像GPS这样的导航系统已经成了我们日常生活中必不可少的一部分，它能帮我们在不熟悉的路上开车、找到最近的星巴克门店，还能让我们用智能手机玩有趣的游戏。下面我们来看看什么是卫星导航系统，它是怎么工作的，还有哪些应用。

自从“扫街榜”上线以后，高德就在不遗余力地偏离导航赛道，加速向“点评”赛道转型。 高德推出“扫街榜”，并不是因为其在地图导航赛道已经占据绝对优势，而是不得不通过布局其他赛道来赚钱这可能导致其核心主业发生变化，以至于后院失火。 虽然已经招致不少用户的负面评判，但铁了心的高德，依旧在反复试探用户的耐心。 地图导航曾是高德的主业，高德也因为聚焦而胜出，但今天它走了相反的路。2014年，俞永福大手一挥砍掉