LightNav-0 soll Robotern das Navigieren mit weniger Teleoperationsdaten beibringen

Für jeden neuen Roboter und jede Navigationsaufgabe eigene Fahrten per Fernsteuerung aufzuzeichnen, ist aufwendig. LightNav-0 ist der Versuch von Light Origins, diesen Bedarf zu verringern: Das auf dem Bild-Sprach-Modell Qwen3-VL-4B aufbauende System soll Anweisungen befolgen, frei beschriebene Objekte ansteuern und visuelle Ziele verfolgen – mit einer gemeinsamen Modellarchitektur statt einer eigenen Lösung für jede Aufgabe. 128

Ein Ziel, unterschiedliche Bewegungen

Der technische Kern ist eine gemeinsame Schnittstelle aus Tokens. Zweikanalige Pointing-Tokens beschreiben, wohin der Roboter gelangen soll. Ein residualer, vektorquantisierter Aktions-Tokenizer stellt dagegen die genaueren, auf den jeweiligen Roboter zugeschnittenen Bewegungsabläufe dar. Das Modell komprimiert außerdem frühere Bildbeobachtungen so, dass zeitliche Informationen nutzbar bleiben. Es benötigt keine separaten Vorhersagekomponenten für jede Navigationsaufgabe. 15

Die Trennung zwischen räumlichem Ziel und konkreter Bewegung soll Wissen zwischen verschiedenen Robotern übertragbar machen. Sie bedeutet aber nicht, dass jeder bisher unbekannte Roboter ohne Anpassung funktioniert. 15

Training mit rekonstruierten Szenen

Für seine Real2Sim2Real genannte Datenpipeline hat Light Origins nach eigenen Angaben mehr als 2.000 reale, aus dem Internet stammende Szenen in wiederverwendbare Simulationsumgebungen übertragen. Daraus seien über 4.000 Stunden Navigationserfahrung mit Bild-, Sprach- und Aktionsdaten entstanden. Das schafft zusätzliche Trainingssituationen, ohne für jede davon eine Fahrt fernzusteuern. Die Zahlen belegen jedoch keine gemessene Senkung der Kosten für die Datenerhebung. 8

Das Training beschreibt das Unternehmen in drei Stufen: eine Zwischenphase für roboterbezogenes Schlussfolgern (Embodied Reasoning), überwachtes Feintuning und schließlich Online-Reinforcement-Learning, bei dem das Modell durch Interaktion weiter verbessert wird. 18

Was die Ergebnisse aussagen – und was nicht

Light Origins berichtet von führenden Erfolgsraten bei der Navigation mit einer einzelnen Kamera in zehn öffentlichen Simulationsumgebungen. Die Tests umfassen das Befolgen von Anweisungen, das Ansteuern von Objekten und die visuelle Zielverfolgung. Das Team meldet zudem Zero-Shot-Übertragung auf andere Robotertypen und reale Szenen – also Ergebnisse ohne vorheriges Training speziell für den jeweiligen Testfall. Diese berichteten Resultate belegen weder eine allgemeingültige Erfolgsquote für unbekannte Roboter noch, dass Fernsteuerungsdaten überflüssig werden. 7813

Veröffentlicht wurden Modellgewichte, Code, ein technischer Bericht und Materialien für INSIGHT-Bench; die Veröffentlichung wird als unter Apache 2.0 lizenziert beschrieben. Damit können andere den Ansatz prüfen und testen. Die praktische Frage bleibt, wie gut ein konkreter Roboter in seiner tatsächlichen Umgebung zurechtkommt – und wie viele zusätzliche Demonstrationen er dafür noch braucht. 2510