उत्तरप्रकाशित13 स्रोत
LightNav-0: एक ही विज़न-लैंग्वेज मॉडल से रोबोट नेविगेशन
LightNav 0, Qwen3 VL पर आधारित एक ओपन सोर्स नेविगेशन पॉलिसी है जो आगे के RGB कैमरा दृश्य और भाषा निर्देश से रास्ता समझने, नामित वस्तु तक पहुंचने और लक्ष्य को ट्रैक करने का प्रयास करती है। परियोजना की आधिकारिक घोषणा 1 सितंबर 2026 को हुई थी। GitHub पर दिखने वाली 17 सितंबर की तारीख बाद के रिपॉजिटरी कमिट की है, मूल लॉन्...
प्रकाशितकर्ताGPT-5.6 Terra से संपादितGPT Image 2 से चित्र बनाए गए
शोध उत्तर
मुख्य निष्कर्ष
- LightNav 0, Qwen3 VL पर आधारित एक ओपन सोर्स नेविगेशन पॉलिसी है जो आगे के RGB कैमरा दृश्य और भाषा निर्देश से रास्ता समझने, नामित वस्तु तक पहुंचने और लक्ष्य को ट्रैक करने का प्रयास करती है।
- परियोजना की आधिकारिक घोषणा 1 सितंबर 2026 को हुई थी। GitHub पर दिखने वाली 17 सितंबर की तारीख बाद के रिपॉजिटरी कमिट की है, मूल लॉन्च की नहीं।
- इसका मुख्य विचार अलग अलग कार्यों के लिए अलग मॉडल हेड बनाने के बजाय एक साझा टोकन इंटरफेस रखना है: चलने योग्य दिशा और लक्ष्य की ओर संकेत करें, फिर छोटा वेपॉइंट पथ बनाएं।
AI संकेत
openai.comCreate a landscape editorial hero image for this Studio Global article: What is Light Origins’ open-sourced LightNav-0 navigation model, published on September 17, 2026, and how do its Qwen3-VL-4B backbone, unifi. Article summary: LightNav-0 is a compact, general-purpose embodied-navigation policy built from Qwen3-VL-4B-Instruct. It uses a single stream of egocentric RGB observations plus a language instruction to handle route following, open-voca. Topic tags: general, academic, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, char
LightNav-0, Light Origins का ओपन-सोर्स प्रयास है जो रोबोट के लिए एक सामान्य नेविगेशन पॉलिसी बनाने पर केंद्रित है। यह आगे की ओर देखने वाले RGB कैमरे के दृश्य और प्राकृतिक भाषा में दिए निर्देश को समझकर गति के वेपॉइंट तैयार करता है। Qwen3-VL पर बना यह मॉडल निर्देश का पालन, खुले शब्दकोश वाली वस्तु-लक्ष्य नेविगेशन और दृश्य लक्ष्य ट्रैकिंग जैसे काम अलग-अलग टास्क-विशिष्ट प्रेडिक्शन हेड के बिना संभालने के लिए डिजाइन किया गया है। 1
5
इस परियोजना का अहम पहलू कोई नया रोबोट ढांचा नहीं, बल्कि दृश्य, भाषा और गति के बीच एक साझा इंटरफेस है। Light Origins के अनुसार, मॉडल, कोड और तकनीकी रिपोर्ट 1 सितंबर 2026 को जारी किए गए थे। GitHub पर दिखने वाली 17 सितंबर की तारीख मूल घोषणा नहीं, बाद के रिपॉजिटरी कमिट को दर्शाती है। 5
10
एक मॉडल, कई नेविगेशन काम
रोबोट नेविगेशन के लक्ष्य अलग हो सकते हैं—मसलन, भाषा में बताया रास्ता अपनाना, किसी नामित वस्तु तक पहुंचना, या दिखाई दे रहे लक्ष्य को नजर में बनाए रखना। LightNav-0 इन सभी स्थितियों में आउटपुट का ढांचा एक जैसा रखता है।
मॉडल पहले इमेज-ग्रिड पर दो पॉइंटिंग टोकन अनुमानित करता है:
- अफोर्डेंस पॉइंट: स्थानीय रूप से संभव दिशा या चलने योग्य जगह का संकेत;
- ऑब्जेक्ट पॉइंट: नेविगेशन लक्ष्य या ट्रैक किए जा रहे लक्ष्य का संकेत।
इसके बाद यह तीन अवशिष्ट वेक्टर-क्वांटाइज़्ड एक्शन टोकन बनाता है, जो 10-स्टेप की SE(2) वेपॉइंट ट्रैजेक्टरी में डिकोड होते हैं। शोध-पत्र के प्रतिनिधित्व में पदानुक्रमित एक्शन कोडबुक लगभग 0.9 मीटर स्तर के निर्णय से शुरू होकर 7 सेंटीमीटर और फिर 4 सेंटीमीटर के सूक्ष्म सुधार तक जाती हैं। 1
यही साझा ढांचा सैद्धांतिक रूप से एक पॉलिसी को कई नेविगेशन मोड संभालने देता है। निर्देश या वस्तु का वर्णन व्यवहार का उद्देश्य बदलता है, लेकिन मॉडल का फैसला हमेशा स्थानिक संकेत और फिर पथ के रूप में व्यक्त होता है। लेखक इसे कार्य, दृश्य और रोबोट के प्रकार से स्वतंत्र एकीकृत टोकन इंटरफेस कहते हैं। 1
Qwen3-VL बैकबोन क्यों महत्वपूर्ण है
LightNav-0 की शुरुआत विज़न-लैंग्वेज मॉडल Qwen3-VL-4B-Instruct से होती है। हर कार्य या रोबोट प्लेटफॉर्म के लिए अलग पॉलिसी बनाने के बजाय इसे नेविगेशन के लिए संरेखित किया गया है। घोषित उद्देश्य विज़न-लैंग्वेज मॉडलिंग की स्थानिक समझ को भौतिक दुनिया में रोबोट की कार्रवाई के उपयोग में लाना है। 1
रिपोर्ट किए गए मोनोक्युलर मूल्यांकन में मॉडल गहराई सेंसर, ओडोमेट्री या पैनोरमिक कैमरे पर निर्भर नहीं करता; यह रोबोट के अपने दृष्टिकोण से मिला दृश्य इनपुट इस्तेमाल करता है। इसलिए प्रस्तावित इंटरफेस सीधा है: कैमरा दृश्य और भाषा इनपुट में, टोकनयुक्त स्थानिक इरादा और वेपॉइंट आउटपुट में। 1
हालांकि, पॉलिसी का सरल होना पूरे रोबोट सिस्टम की जरूरत खत्म नहीं करता। वास्तविक तैनाती में कैमरा कैलिब्रेशन, वेपॉइंट को सुरक्षित ढंग से चलाने वाला कंट्रोलर और संबंधित रोबोट व वातावरण में परीक्षण जरूरी रहेंगे।
Real2Sim2Real: टेलीऑपरेशन पर निर्भरता घटाने की कोशिश
रोबोट लर्निंग की बड़ी समस्या यह है कि वास्तविक हार्डवेयर पर विविध और उच्च-गुणवत्ता वाले डेमोंस्ट्रेशन इकट्ठा करना महंगा तथा धीमा होता है। Light Origins की Real2Sim2Real पाइपलाइन का लक्ष्य इस काम का बड़ा हिस्सा दोबारा इस्तेमाल किए जा सकने वाले सिमुलेटेड वातावरणों में ले जाना है।
कंपनी के मुताबिक, इस पाइपलाइन ने इंटरनेट से लिए गए 2,000 से अधिक इनडोर और आउटडोर दृश्यों को सिमुलेशन एसेट्स में बदला और 4,000 घंटे से अधिक का संरेखित विज़ुअल-लैंग्वेज-एक्शन अनुभव संश्लेषित किया। 10 रिपोर्ट की गई प्रशिक्षण प्रक्रिया के तीन चरण हैं:
- एम्बॉडीड-रीज़निंग मिड-ट्रेनिंग;
- नेविगेशन के लिए सुपरवाइज़्ड फाइन-ट्यूनिंग;
- ऑनलाइन रिइनफोर्समेंट लर्निंग।
10
डेटा निर्माण के दौरान कैमरे का फील्ड ऑफ व्यू, ऊंचाई और पिच बदले जाते हैं। इसका उद्देश्य मॉडल को किसी एक कैमरा प्लेसमेंट पर जरूरत से ज्यादा निर्भर होने से बचाना और अलग-अलग रोबोट बॉडी में ट्रांसफर बेहतर करना है। 1
यह तरीका बार-बार टेलीऑपरेशन से नेविगेशन डेटा जुटाने की जरूरत घटा सकता है। लेकिन इससे यह सिद्ध नहीं होता कि वास्तविक दुनिया का डेटा अनावश्यक है। सिमुलेशन की विश्वसनीयता, सेंसर का अंतर, कंट्रोल में देरी, बाधाओं के आसपास सुरक्षा और असामान्य बाहरी परिस्थितियां अब भी तैनाती के जोखिम हैं।
रिपोर्ट किए गए नतीजे: क्या दिखाते हैं, क्या नहीं
पेपर एक साझा चेकपॉइंट के साथ 10 सिमुलेटेड नेविगेशन मूल्यांकनों में अग्रणी मोनोक्युलर नतीजों की रिपोर्ट करता है। यह पहले न देखे गए दृश्यों में ह्यूमनॉइड, चार-पैर वाले, पहिएदार और हवाई रोबोटों पर ज़ीरो-शॉट ट्रांसफर का भी दावा करता है। 1
10
ये दावे अहम हैं क्योंकि वे केवल एक बेंचमार्क के लिए अनुकूलित मॉडल के बजाय कई कार्यों और रोबोट बॉडी पर एक पॉलिसी की उपयोगिता परखते हैं। फिर भी, ये मुख्यतः लेखकों द्वारा रिपोर्ट किए गए परिणाम हैं। वास्तविक, अनियंत्रित इनडोर और आउटडोर माहौल में स्वतंत्र पुनरुत्पादन तथा परीक्षण ही इसकी सामान्यीकरण क्षमता की अधिक महत्वपूर्ण कसौटी होगी।
डेवलपर्स के लिए क्या उपलब्ध है
सार्वजनिक GitHub रिपॉजिटरी LightNav-0 को Qwen3-VL पर आधारित सामान्य एम्बॉडीड-नेविगेशन मॉडल बताती है और इसके साझा टोकन इंटरफेस का विवरण देती है। 5 Light Origins का कहना है कि रिलीज में मॉडल, कोड और तकनीकी रिपोर्ट शामिल हैं।
10
इसे परखने वाली टीमों के लिए सवाल केवल यह नहीं है कि मॉडल चल सकता है या नहीं। अहम यह है कि RGB और भाषा इनपुट, वेपॉइंट आउटपुट, कैमरा कॉन्फ़िगरेशन और लो-लेवल कंट्रोलर लक्ष्य रोबोट के अनुकूल हैं या नहीं। मजबूत मूल्यांकन में सिमुलेशन प्रदर्शन की तुलना वास्तविक परीक्षणों से करनी चाहिए, सुरक्षा फॉलबैक जांचने चाहिए और उत्पादन या व्यावसायिक उपयोग से पहले मौजूदा रिलीज आर्टिफैक्ट तथा लाइसेंस शर्तों की पुष्टि करनी चाहिए।
निष्कर्ष
LightNav-0 रोबोट नेविगेशन के लिए एक दोहराए जा सकने वाला नुस्खा पेश करता है: छोटा विज़न-लैंग्वेज बैकबोन, कई नेविगेशन कार्यों के लिए एक जैसे पॉइंटिंग और वेपॉइंट टोकन, तथा Real2Sim2Real पाइपलाइन से तैयार बड़े पैमाने का संरेखण डेटा। 1
10
अगर अलग-अलग शोधकर्ता इसके क्रॉस-रोबोट ट्रांसफर को वास्तविक दुनिया में दोहरा पाते हैं, तो हर रोबोट और कार्य के लिए नया टेलीऑपरेटेड डेटासेट जुटाने की जरूरत कम हो सकती है। फिलहाल इसे एक खुला, तकनीकी रूप से स्पष्ट शोध और तैनाती का शुरुआती बिंदु समझना बेहतर है—न कि इस बात का निर्णायक प्रमाण कि केवल एक RGB कैमरा और भाषा मॉडल हर जगह सामान्य नेविगेशन हल कर सकते हैं।
Studio Global AI
अपना शोध जारी रखें
इस पृष्ठ में एक स्रोत-समर्थित उत्तर शामिल है जिसे आप Studio Global के अंदर जारी रख सकते हैं।
लोग पूछते भी हैं
"LightNav-0: एक ही विज़न-लैंग्वेज मॉडल से रोबोट नेविगेशन" का संक्षिप्त उत्तर क्या है?
LightNav 0, Qwen3 VL पर आधारित एक ओपन सोर्स नेविगेशन पॉलिसी है जो आगे के RGB कैमरा दृश्य और भाषा निर्देश से रास्ता समझने, नामित वस्तु तक पहुंचने और लक्ष्य को ट्रैक करने का प्रयास करती है।
सबसे पहले सत्यापित करने योग्य मुख्य बिंदु क्या हैं?
LightNav 0, Qwen3 VL पर आधारित एक ओपन सोर्स नेविगेशन पॉलिसी है जो आगे के RGB कैमरा दृश्य और भाषा निर्देश से रास्ता समझने, नामित वस्तु तक पहुंचने और लक्ष्य को ट्रैक करने का प्रयास करती है। परियोजना की आधिकारिक घोषणा 1 सितंबर 2026 को हुई थी। GitHub पर दिखने वाली 17 सितंबर की तारीख बाद के रिपॉजिटरी कमिट की है, मूल लॉन्च की नहीं।
मुझे अभ्यास में आगे क्या करना चाहिए?
इसका मुख्य विचार अलग अलग कार्यों के लिए अलग मॉडल हेड बनाने के बजाय एक साझा टोकन इंटरफेस रखना है: चलने योग्य दिशा और लक्ष्य की ओर संकेत करें, फिर छोटा वेपॉइंट पथ बनाएं।