具身导航并不只是让视觉语言模型“看懂场景”，还要把模型的判断转换成可执行动作。现有方法往往要求模型直接适应并不熟悉的动作空间，同时采用固定推理节奏和持续累积的记忆。Embodied-Navigator提出的TAMP-Nav没有继续强化端到端动作生成，而是从动作接口、推理记忆和训练对齐三个环节重新设计导航链路。
用像素选择连接二维视觉与三维执行
TAMP-Nav的Point模块把导航决策改写成二维视觉提示：视觉语言模型只需在图像中选择像素，系统再将像素投影到三维坐标，并交给底层SLAM控制器执行。这样做的核心判断是，视觉语言模型在二维图像上的能力更接近其预训练基础，与其迫使模型直接输出不自然的具身动作，不如用几何投影和传统控制系统完成接口转换。
这种分工也让高层认知与低层运动控制相对解耦。模型负责判断“去哪里”，SLAM负责处理“如何到达”。不过，这并不意味着执行难题消失，而是将一部分可靠性要求转移到了像素到三维的投影及底层控制链路上。
按需思考，并压缩非关键轨迹
Think and Memorize机制将选择性推理与锚点—轨迹记忆整合起来。系统不再按固定计划持续触发思维链，而是动态决定何时进行推理；记忆也不完整保留所有历史，只在关键节点保存高保真信息，并把重复轨迹压缩为空间—时间指示器。其目标是在减少冗余的同时，保留影响后续决策的时空线索。
训练侧的Align模块采用GRPO构建两级对齐：一层使用全局结果奖励，另一层加入细粒度过程奖励。两者叠加形成更密集的监督信号，用于连接认知规划与环境中的实际反馈。
我的判断
这项工作的价值在于接口设计：它没有要求视觉语言模型包办感知、规划和控制，而是让模型停留在更熟悉的二维视觉空间，再借助SLAM完成物理执行。选择性推理和压缩记忆也切中了长程导航的效率问题。
但给定摘要没有提供基准、成功率、计算开销或消融结果，因此目前无法判断各模块带来的实际增益。动态推理如何触发、关键节点如何确定，以及轨迹压缩会损失多少信息，也仍需正文和实验说明。它更适合具备可靠视觉投影与SLAM能力的系统，不能仅凭框架设计推断其在复杂真实环境中的稳定性。