كيف يحاول LightNav-0 تعليم روبوتات مختلفة الملاحة بنموذج واحد؟

إذا احتاج كل روبوت جديد إلى مجموعة منفصلة من عروض الملاحة التي ينفذها إنسان بالتحكم عن بُعد، فإن جمع بيانات التدريب يتكرر مع تغيّر الروبوت أو المهمة. هنا تأتي فكرة LightNav-0 من شركة Light Origins: نموذج ملاحة واحد، مبني على Qwen3-VL-4B، يتعامل مع اتباع التعليمات، والبحث عن أشياء موصوفة بكلمات متنوعة، وتتبع أهداف مرئية. والهدف هو تقليل الاعتماد على جمع عروض تشغيل منفصلة لكل حالة، لا الاستغناء عنها نهائيًا. 128

وجهة مشتركة، وحركة تناسب كل روبوت

بدل تخصيص مكوّن تنبؤ مستقل لكل مهمة، يستخدم LightNav-0 واجهة مشتركة من الرموز، وهي وحدات يمثل بها النموذج معلومات الملاحة. وتعبّر «رموز الإشارة ثنائية القناة» عن القصد المكاني: إلى أين يريد الروبوت التوجه، بصيغة صُممت لتنتقل بين المهام والمشاهد وأشكال الروبوتات. ثم يمثّل «مُرمّز الأفعال بالتكميم المتجهي المتبقي» مسار الحركة الأدق والملائم لجسم الروبوت المعني. ويستخدم النموذج أيضًا ضغطًا للسجل البصري يراعي تعاقب الزمن، ليستفيد من مشاهداته عبر أكثر من لحظة. 15

هذا الفصل هو جوهر فكرة النقل بين الروبوتات: يمكن مشاركة تمثيل الوجهة من دون افتراض أن جميع الروبوتات تتحرك بالطريقة نفسها. لكنه تصميم يهدف إلى تسهيل النقل، وليس ضمانًا بأن أي روبوت غير مألوف سيعمل دون تكييف. 15

من المشهد الحقيقي إلى ساعات من التدريب الافتراضي

تسمي الشركة خط إنتاج بياناتها Real2Sim2Real، أي الانتقال من مشاهد مستمدة من العالم الحقيقي إلى المحاكاة، ثم توظيف ما يُتعلّم منها في العالم الحقيقي. وتقول إنها حوّلت أكثر من ٢٠٠٠ مشهد واقعي جُمعت من الإنترنت إلى بيئات محاكاة قابلة لإعادة الاستخدام، وولّدت منها أكثر من ٤٠٠٠ ساعة من خبرات الملاحة التي تجمع الرؤية واللغة والأفعال. يتيح ذلك إنتاج مواقف تدريب متنوعة في المحاكاة بدل الاعتماد وحده على عروض ينفذها مشغّلون عن بُعد. لكن الرقمين يصفان حجم خط البيانات المُعلن، لا مقدارًا مقاسًا للتوفير في تكلفة جمع البيانات الواقعية. 8

ويجري التدريب، وفق الشركة، عبر ثلاث مراحل: تدريب وسيط على الاستدلال المرتبط بحركة الروبوت في محيطه، ثم ضبط دقيق بإشراف لتعلّم سلوك الملاحة، ثم تعلّم معزّز عبر التفاعل لتحسين الأداء. 18

ماذا تثبت النتائج المنشورة؟

يعلن الفريق تحقيق معدلات نجاح رائدة باستخدام كاميرا واحدة عبر ١٠ إعدادات محاكاة عامة تشمل اتباع التعليمات، والتنقل نحو الأشياء، والتتبع البصري. ويعلن كذلك قدرة على نقل الأداء دون تدريب مسبق مخصص إلى أشكال مختلفة من الروبوتات ومشاهد واقعية. تظل هذه نتائج تقييم أبلغ عنها الفريق؛ ولا تعني معدل نجاح مضمونًا لكل روبوت جديد، أو أن الحاجة إلى بيانات التحكم عن بُعد قد انتهت. 7813

نُشرت أوزان النموذج وشفرته وتقريره التقني ومواد تقييم INSIGHT-Bench، ووُصف الإصدار بأنه مرخّص بموجب Apache 2.0، ما يتيح للآخرين فحص النهج واختباره. والخلاصة العملية أكثر تحديدًا من وعدٍ بملاحة جاهزة لكل روبوت: قد تساعد البيئات الافتراضية القابلة لإعادة الاستخدام والنموذج المشترك في تقليل الحاجة إلى عروض تدريب منفصلة، لكن أداء كل روبوت في بيئته الفعلية يظل بحاجة إلى تحقق. 2510