LightNav-0: yksi navigointimalli eri roboteille

Kun robotti opetetaan navigoimaan, sille voidaan kerätä esimerkkejä ihmisen etäohjaamista ajoista. Light Originsin LightNav-0 pyrkii vähentämään tarvetta kerätä tällainen aineisto erikseen jokaista tehtävää ja robottia varten. Qwen3-VL-4B-näkö- ja kielimalliin perustuva järjestelmä käyttää yhtä mallia ohjeiden seuraamiseen, sanallisesti kuvattujen kohteiden löytämiseen ja näkyvän kohteen seuraamiseen. Ratkaisun ydin on yhteinen navigointitapa sekä todellisista näkymistä rakennettu simuloitu harjoitteluaineisto. 128

Yhteinen suunta, robotille sopiva liike

LightNav-0 ei käytä jokaiselle navigointitehtävälle omaa ennustavaa malliosaa. Sen sijaan tehtävät esitetään yhteisessä token-rajapinnassa: kaksikanavaiset osoitustokenit kuvaavat, minne mallin on tarkoitus edetä, ja jäännösvektorikvantisoitu toimintatokenisointi kuvaa tarkemman, kyseisen robotin liikkeisiin sopivan reitin. Malli tiivistää myös aiempia näköhavaintoja niin, että se voi hyödyntää ajallista tietoa eikä vain viimeisintä näkymää. 15

Erottelu on tärkeä eri robottien kannalta. Suuntaa koskeva tieto voi olla yhteistä, vaikka robotit toteuttaisivat liikkeen eri tavoin. Se on kuitenkin suunnitteluperiaate, ei lupaus siitä, että jokainen ennestään tuntematon robotti toimisi ilman mukautuksia. 15

Harjoittelua simuloiduissa ympäristöissä

Light Origins kutsuu aineistoputkeaan nimellä Real2Sim2Real. Yhtiön mukaan se rakensi yli 2 000 verkosta hankitusta todellisesta näkymästä uudelleenkäytettäviä simulaatioympäristöjä. Niissä tuotettiin yli 4 000 tuntia navigointikokemusta, jossa yhdistyvät näköhavainnot, kieli ja toiminta. Näin harjoitustilanteita voidaan tuottaa simulaatiossa sen sijaan, että kaikki esimerkit kerättäisiin erillisinä etäohjattuina ajoina. Luvut kuvaavat yhtiön ilmoittamaa aineistoa, eivät mitattua säästöä tiedonkeruun kustannuksissa. 8

Yhtiö kuvaa koulutuksen kolmivaiheiseksi: keholliseen päättelyyn painottuva välikoulutus, kehollisen toiminnan ohjattu hienosäätö sekä vuorovaikutukseen perustuva verkkovahvistusoppiminen. Vaiheiden tarkoitus on sovittaa valmiiksi koulutettu näkö- ja kielimalli navigointiin, opettaa yhteiseen token-esitykseen perustuvaa toimintaa ja kehittää sitä edelleen. 18

Mitä tulokset osoittavat – ja mitä eivät?

Light Originsin mukaan LightNav-0 saavutti alan kärkitasoa olevat onnistumisprosentit 10 julkisessa, yhden kameran näkymään perustuvassa navigoinnin simulaatiotestissä. Testit kattavat ohjeiden seuraamista, kohteeseen navigointia ja näkyvän kohteen seuraamista. Yhtiö raportoi myös, että malli yleistyi uusiin robottirakenteisiin ja todellisiin ympäristöihin ilman erillistä tehtäväkohtaista koulutusta. Kyse on tekijöiden raportoimista arvioista: ne eivät osoita yleispätevää onnistumisprosenttia uusille roboteille eivätkä sitä, että etäohjausta voitaisiin jättää kokonaan pois. 7813

Julkaisuun kuuluvat mallin painot, koodi, tekninen raportti ja INSIGHT-Bench-arviointimateriaalit; julkaisu kuvataan Apache 2.0 -lisensoiduksi. Ne antavat muille mahdollisuuden tutkia ja testata lähestymistapaa. Käytännön lupaus on rajatumpi kuin täysin ilman ihmisen ohjausta kerätty aineisto: uudelleenkäytettävät simulaatiot ja eri tehtäville yhteinen malli voivat vähentää robottikohtaisten esimerkkien tarvetta, mutta toimivuus on edelleen varmistettava kyseisellä robotilla ja sen käyttöympäristössä. 2510