具身视觉跟踪(Embodied Visual Tracking, EVT)要求移动智能体仅依靠搭载的前视摄像头,持续跟随由自然语言描述的特定目标。尽管近期提出的视觉-语言-动作(Vision-Language-Action, VLA)策略将目标识别与轨迹规划统一于单一模型框架内,但其链式思维(Chain-of-Thought, CoT)推理过程通常在抽象的空间隐空间中进行,这类隐空间难以监督,且与显式的图像空间检测结果对齐程度较弱。为解决这一问题,我们提出ReferTrack——一种“先指代、再跟踪”的新范式,依托单个前视摄像头实现EVT任务的可靠 grounding(即语义与视觉空间的精准对齐)。本模型首先从一组已索引的边界框(bounding boxes)中选择目标,随后基于该图像空间中 grounded 的决策,解码出后续跟踪路径的关键航点(waypoints)。为在时间维度上保留目标运动线索,ReferTrack维护一个滑动窗口队列,持续缓存历史帧中已被选中的边界框,并通过“时序-视角-边界框指示符”(Temporal-Viewpoint-BBox Indicator, TVBI)标记,将这些边界框的几何特征注入视觉历史序列。此外,我们还构建了一个定制化的Refer-QA数据集,并采用联合训练方式进一步提升目标识别能力。在EVT-Bench基准测试中,ReferTrack在单视角设置下达到当前最优性能:在单目标跟踪、受干扰跟踪和歧义跟踪三个子任务上的成功率分别达89.4%、73.3%和74.1%,其表现不仅媲美、甚至在目标识别难度较高的任务中超越了多个多摄像头基线方法。最后,我们在足式机器人与人形机器人上的真实场景部署实验,充分验证了该方法优异的仿真到现实(sim-to-real)迁移鲁棒性。代码开源地址:https://github.com/MedlarTea/referTrack。

