LightNav-0は、Light Originsが公開した汎用ロボットナビゲーション向けのオープンソースモデルです。ロボット前方のRGBカメラ画像と自然言語の指示を受け取り、移動すべきウェイポイントを出力します。経路指示への追従、語彙を限定しない物体目標ナビゲーション、視覚的なターゲット追跡を、タスク別の予測ヘッドなしで一つのモデルに担わせる設計です。15

なお、公式発表は2026年9月1日です。GitHub上で確認できる9月17日は、その後のコミット日時であり、初回公開日を示すものではありません。510

要点は「全タスクで同じ出力形式」を使うこと

ロボットの移動には、「廊下を突き当たりまで進んで右へ曲がる」といった指示追従、「赤い椅子へ向かう」といった物体探索、「人を視界に捉え続ける」といった追跡など、目的の異なるタスクがあります。LightNav-0は、こうした違いがあっても出力の型を統一します。

モデルはまず、画像上のグリッドを指す二つのトークンを予測します。

• アフォーダンスポイント：局所的に進行可能な方向、または通行できる領域
• オブジェクトポイント：移動の目標、または追跡対象

続いて、3個の残差ベクトル量子化アクショントークンを出力し、これを10ステップのSE(2)ウェイポイント軌道へ復号します。論文の表現では、階層的なアクションコードブックにより、およそ0.9m規模の判断から、7cm、さらに4cm規模の微調整へと段階的に軌道を精密化します。1

つまり、指示文や物体名が「何をしたいか」を変えても、モデルが表現するのは一貫して「進める空間を指す」「目標を指す」「そこへ至る軌道を出す」という流れです。著者らはこれを、タスク・場面・ロボットの機体構成に依存しない統一トークンインターフェースと位置付けています。1

Qwen3-VLをナビゲーションへ接続する

LightNav-0は、視覚言語モデルのQwen3-VL-4B-Instructをベースにしています。タスクやロボットごとに別の方策を構築するのではなく、視覚言語モデルが持つ空間理解を、ロボットの移動行動へ整合させることが狙いです。1

報告されている単眼評価では、深度センサー、オドメトリ、全天球カメラに頼らず、自己視点の視覚入力を用います。入出力の見通しは比較的明快で、カメラ画像と言語を入力し、空間的な意図を表すトークンとウェイポイントを出力するという構成です。1

ただし、方策が単純でも、実機システム全体が単純になるわけではありません。実際に使うには、カメラ校正、ウェイポイントを安全に実行する低レベル制御、対象機体と運用環境での十分な検証が必要です。

Real2Sim2Realで、遠隔操作データ収集の負担を抑える狙い

ロボット学習では、多様で品質の高い実演データを実機で集めることが大きな負担になります。Light OriginsのReal2Sim2Realパイプラインは、再利用できるシミュレーション環境を増やすことで、この負担の一部を移す試みです。

同社によれば、インターネット由来の屋内・屋外シーン2,000件超をシミュレーション用アセットへ変換し、整合済みの視覚・言語・行動経験を4,000時間超合成しました。10 学習は次の3段階で構成されます。

1. 具身推論（ER）の中間学習
2. ナビゲーション向け教師ありファインチューニング
3. オンライン強化学習

データ生成時には、カメラの画角、高さ、ピッチもランダム化されます。これは、特定のカメラ位置に方策が過度に依存することを避け、異なる機体への転移を高めるためです。1

この方法は、反復的な遠隔操作で収集しなければならないデータ量を減らす可能性があります。一方で、実世界データが不要になることを意味するものではありません。シミュレーションの再現性、センサー差、制御遅延、障害物への安全対応、予測しにくい屋外条件は、実装・導入時のリスクとして残ります。

報告された性能は有望だが、独立検証はこれから

論文では、単一の共有チェックポイントで10件のシミュレーションナビゲーション評価における単眼性能で先行したと報告されています。また、未見のシーンにおいて、人型、四足歩行、車輪型、飛行型のロボットへゼロショット転移したともしています。110

これは、一つのベンチマークや一つの機体だけに最適化するのではなく、複数タスク・複数の身体構成を一つの方策で扱えるかを問う成果です。ただし、現時点では主に開発元・著者側による報告です。制約の少ない屋内外環境を走る実機での再現を含め、第三者による検証が、このモデルの汎用性を測る重要な基準になります。

開発者が確認すべき点

公開GitHubリポジトリでは、LightNav-0をQwen3-VLベースの汎用具身ナビゲーションモデルとして説明し、共通トークンインターフェースを提示しています。5 Light Originsは、モデル、コード、技術レポートを公開したとしています。10

評価時に重要なのは、「動かせるか」だけではありません。RGB画像と言語という入力、ウェイポイントという出力、カメラ構成、低レベル制御器が、導入先のロボットに合うかを確認する必要があります。シミュレーションの結果を実環境試験と比較し、安全時のフォールバックを検証したうえで、商用・本番利用の前には、公開物とライセンス条件の最新版を必ず確認するべきです。

まとめ

LightNav-0は、小型の視覚言語モデルを使い、複数のナビゲーションタスクを同じ「指し示し＋ウェイポイント」トークンで扱い、Real2Sim2Realによって整合データの多くを生成する、という再利用可能な設計を提案しています。110

報告されるクロスロボット転移が独立した実機試験でも維持されるなら、タスクや機体ごとに新しい遠隔操作データセットを集める依存度を下げられる可能性があります。現段階では、単眼RGBカメラと言語モデルだけであらゆる場所の一般ナビゲーションを解ける証明ではなく、公開された具体的な研究・実装の出発点として捉えるのが妥当です。

LightNav-0は、Light Originsが公開した汎用ロボットナビゲーション向けのオープンソースモデルです。ロボット前方のRGBカメラ画像と自然言語の指示を受け取り、移動すべきウェイポイントを出力します。経路指示への追従、語彙を限定しない物体目標ナビゲーション、視覚的なターゲット追跡を、タスク別の予測ヘッドなしで一つのモデルに担わせる設計です。15

なお、公式発表は2026年9月1日です。GitHub上で確認できる9月17日は、その後のコミット日時であり、初回公開日を示すものではありません。510

要点は「全タスクで同じ出力形式」を使うこと

ロボットの移動には、「廊下を突き当たりまで進んで右へ曲がる」といった指示追従、「赤い椅子へ向かう」といった物体探索、「人を視界に捉え続ける」といった追跡など、目的の異なるタスクがあります。LightNav-0は、こうした違いがあっても出力の型を統一します。

モデルはまず、画像上のグリッドを指す二つのトークンを予測します。

• アフォーダンスポイント：局所的に進行可能な方向、または通行できる領域
• オブジェクトポイント：移動の目標、または追跡対象

続いて、3個の残差ベクトル量子化アクショントークンを出力し、これを10ステップのSE(2)ウェイポイント軌道へ復号します。論文の表現では、階層的なアクションコードブックにより、およそ0.9m規模の判断から、7cm、さらに4cm規模の微調整へと段階的に軌道を精密化します。1

つまり、指示文や物体名が「何をしたいか」を変えても、モデルが表現するのは一貫して「進める空間を指す」「目標を指す」「そこへ至る軌道を出す」という流れです。著者らはこれを、タスク・場面・ロボットの機体構成に依存しない統一トークンインターフェースと位置付けています。1

Qwen3-VLをナビゲーションへ接続する

LightNav-0は、視覚言語モデルのQwen3-VL-4B-Instructをベースにしています。タスクやロボットごとに別の方策を構築するのではなく、視覚言語モデルが持つ空間理解を、ロボットの移動行動へ整合させることが狙いです。1

報告されている単眼評価では、深度センサー、オドメトリ、全天球カメラに頼らず、自己視点の視覚入力を用います。入出力の見通しは比較的明快で、カメラ画像と言語を入力し、空間的な意図を表すトークンとウェイポイントを出力するという構成です。1

ただし、方策が単純でも、実機システム全体が単純になるわけではありません。実際に使うには、カメラ校正、ウェイポイントを安全に実行する低レベル制御、対象機体と運用環境での十分な検証が必要です。

Real2Sim2Realで、遠隔操作データ収集の負担を抑える狙い

ロボット学習では、多様で品質の高い実演データを実機で集めることが大きな負担になります。Light OriginsのReal2Sim2Realパイプラインは、再利用できるシミュレーション環境を増やすことで、この負担の一部を移す試みです。

同社によれば、インターネット由来の屋内・屋外シーン2,000件超をシミュレーション用アセットへ変換し、整合済みの視覚・言語・行動経験を4,000時間超合成しました。10 学習は次の3段階で構成されます。

1. 具身推論（ER）の中間学習
2. ナビゲーション向け教師ありファインチューニング
3. オンライン強化学習

データ生成時には、カメラの画角、高さ、ピッチもランダム化されます。これは、特定のカメラ位置に方策が過度に依存することを避け、異なる機体への転移を高めるためです。1

この方法は、反復的な遠隔操作で収集しなければならないデータ量を減らす可能性があります。一方で、実世界データが不要になることを意味するものではありません。シミュレーションの再現性、センサー差、制御遅延、障害物への安全対応、予測しにくい屋外条件は、実装・導入時のリスクとして残ります。

報告された性能は有望だが、独立検証はこれから

論文では、単一の共有チェックポイントで10件のシミュレーションナビゲーション評価における単眼性能で先行したと報告されています。また、未見のシーンにおいて、人型、四足歩行、車輪型、飛行型のロボットへゼロショット転移したともしています。110

これは、一つのベンチマークや一つの機体だけに最適化するのではなく、複数タスク・複数の身体構成を一つの方策で扱えるかを問う成果です。ただし、現時点では主に開発元・著者側による報告です。制約の少ない屋内外環境を走る実機での再現を含め、第三者による検証が、このモデルの汎用性を測る重要な基準になります。

開発者が確認すべき点

公開GitHubリポジトリでは、LightNav-0をQwen3-VLベースの汎用具身ナビゲーションモデルとして説明し、共通トークンインターフェースを提示しています。5 Light Originsは、モデル、コード、技術レポートを公開したとしています。10

評価時に重要なのは、「動かせるか」だけではありません。RGB画像と言語という入力、ウェイポイントという出力、カメラ構成、低レベル制御器が、導入先のロボットに合うかを確認する必要があります。シミュレーションの結果を実環境試験と比較し、安全時のフォールバックを検証したうえで、商用・本番利用の前には、公開物とライセンス条件の最新版を必ず確認するべきです。

まとめ

LightNav-0は、小型の視覚言語モデルを使い、複数のナビゲーションタスクを同じ「指し示し＋ウェイポイント」トークンで扱い、Real2Sim2Realによって整合データの多くを生成する、という再利用可能な設計を提案しています。110

報告されるクロスロボット転移が独立した実機試験でも維持されるなら、タスクや機体ごとに新しい遠隔操作データセットを集める依存度を下げられる可能性があります。現段階では、単眼RGBカメラと言語モデルだけであらゆる場所の一般ナビゲーションを解ける証明ではなく、公開された具体的な研究・実装の出発点として捉えるのが妥当です。