SPAN-Nav：面向通用具身导航的空间感知基础模型

SPAN-Nav 是一个端到端基础模型，用 RGB 视频流为具身导航注入通用 3D 空间感知，通过占用预测任务在室内外环境中提取空间先验。作者提出用单个 token 承载导航所需的粗粒度空间线索，并借鉴 CoT 机制将其显式注入动作推理，同时发布了覆盖室内外多类导航任务的 420 万条占用标注数据集；该方法在三个基准上达到 SOTA，并通过真实场景实验验证了泛化性。