APPLV：基于视觉-语言模型的自适应导航规划器参数学习方法

核心思路：解耦感知与控制，复用经典规划器的安全性 APPLV将端到端动作生成范式转向参数化控制——模型不再直接驱动机器人运动，而是理解视觉与语言输入后，输出一组可解释、可验证的规划器运行参数（如局部路径搜索半径、障碍物膨胀系数、速度约束阈值等），交由经过工业验证的经典规划模块执行。

技术实现：双路径训练提升鲁棒性 - **监督微调路径**：在真实或高保真仿真中采集多场景导航轨迹数据，以专家级规划器输出的参数为监督信号，对视觉-语言编码器加回归头进行端到端微调； - **强化学习微调路径**：在闭环环境中以任务成功率与路径安全性为奖励，进一步优化参数预测策略，缓解分布偏移问题。

关键优势：兼顾泛化性、可控性与可部署性 - 避免纯学习型方法在狭窄空间中常见的抖动、停滞或碰撞倾向； - 相比人工调参，显著降低新场景部署门槛，且参数输出具备物理意义，支持事后诊断与人工干预； - 推理延迟较典型VLA模型下降约40%，因无需生成长序列动作，仅需单次前向计算即可获得完整参数集。