LightNav-0 wil robots leren navigeren met minder handmatige demonstraties

Een robot met de hand besturen om navigatievoorbeelden te verzamelen — teleoperatie — kost tijd. Zeker als voor iedere nieuwe taak of robot opnieuw demonstraties nodig zijn. Light Origins wil die afhankelijkheid verkleinen met LightNav-0: een openbaar gemaakt navigatiemodel op basis van het beeld-taalmodel Qwen3-VL-4B. Hetzelfde model moet instructies kunnen opvolgen, objecten kunnen vinden op basis van een vrije beschrijving en visuele doelen kunnen volgen. 128

Eén bestemming, verschillende manieren om er te komen

LightNav-0 gebruikt geen aparte voorspellingsmodule voor elke navigatietaak. In plaats daarvan lopen de taken via één gedeelde interface van tokens: stukjes informatie waarmee het model zijn navigatiekeuzes uitdrukt. Pointing-tokens met twee kanalen leggen vast waar het model naartoe wil, zonder die intentie direct aan de bewegingen van één type robot te koppelen. Een residuele, vectorgekwantiseerde actietokenizer vertaalt die intentie vervolgens naar een nauwkeuriger traject voor de betreffende robot. Het model comprimeert ook eerdere camerabeelden, zodat het waarnemingen van verschillende momenten kan benutten. 15

Dat onderscheid is de kern van de aanpak: het doel kan gedeeld worden, terwijl de uitvoering per robot verschilt. Het is een ontwerp voor overdracht tussen robots, geen garantie dat een onbekende robot zonder aanpassing meteen goed navigeert. 15

Simulaties in plaats van telkens nieuwe demonstraties

De datapijplijn heet Real2Sim2Real. Volgens Light Origins zijn meer dan 2.000 echte scènes van internet omgezet in herbruikbare simulatieomgevingen. Daarin genereerde het team meer dan 4.000 uur aan navigatie-ervaring waarin beeld, taal en acties samenkomen. Zo kan het uiteenlopende situaties voor training maken zonder uitsluitend op afzonderlijk verzamelde teleoperatiedemonstraties te steunen. Die aantallen zeggen op zichzelf niets over een gemeten besparing op de kosten van dataverzameling. 8

De training verloopt volgens het bedrijf in drie stappen: een tussentraining gericht op redeneren voor robots, begeleide fijnafstemming op navigatiegedrag en online reinforcement learning, waarbij het model via interactie verder wordt verbeterd. 18

Wat de resultaten wel en niet bewijzen

Light Origins rapporteert toonaangevende slagingspercentages met één camera in tien openbare navigatieopstellingen in simulatie. Die omvatten instructies opvolgen, naar objecten navigeren en visueel volgen. Het bedrijf meldt daarnaast zero-shot-overdracht naar andere robottypen en echte omgevingen: toepassing zonder specifieke training voor die nieuwe situatie. Het gaat om gerapporteerde evaluaties, niet om bewijs dat elke onbekende robot zonder aanpassing werkt of dat teleoperatie kan verdwijnen. 7813

De modelgewichten, code, een technisch rapport en evaluatiemateriaal voor INSIGHT-Bench zijn beschikbaar gesteld; de uitgave wordt omschreven als gelicentieerd onder Apache 2.0. Daarmee kunnen anderen de aanpak onderzoeken en testen. De praktische belofte blijft vooralsnog bescheiden: gedeelde navigatiekennis en herbruikbare simulaties kunnen de behoefte aan demonstraties per robot verminderen, maar prestaties moeten voor elke robot en omgeving in de praktijk worden gecontroleerd. 2510