Én navigasjonsmodell for ulike roboter: Slik fungerer LightNav-0

Å lære en robot å navigere ved hjelp av fjernstyrte demonstrasjoner kan kreve nye opptak når oppgaven eller robottypen endres. LightNav-0 er Light Origins’ forsøk på å gjøre slike demonstrasjoner mindre nødvendige, ikke på å bevise at de kan fjernes helt. Modellen bygger på bilde- og språkmodellen Qwen3-VL-4B og samler tre oppgaver i én løsning: å følge instrukser, finne objekter beskrevet med vanlige ord og følge visuelle mål. 128

Samme mål, ulike bevegelser

I stedet for å ha en egen prediksjonsdel for hver oppgave bruker LightNav-0 et felles grensesnitt av tokens. Peke-tokens uttrykker hvor modellen vil navigere, uavhengig av den konkrete robotens bevegelser. En residual, vektorkvantisert handlingstokenisator beskriver deretter den mer presise bevegelsesbanen for den aktuelle robottypen. Modellen komprimerer også synsinntrykk fra flere tidspunkter, slik at tidligere observasjoner kan bidra når den velger vei. 15

Skillet mellom hvor roboten skal og hvordan den kommer seg dit, er nøkkelen til ambisjonen om å bruke samme modell på flere roboter. Det er en konstruksjon som skal gjøre overføring mulig, ikke en garanti for at en uprøvd robot vil fungere uten tilpasning. 15

Trening i miljøer hentet fra virkelige scener

Light Origins kaller dataprosessen sin Real2Sim2Real. Selskapet oppgir at det har gjort mer enn 2 000 virkelige scener funnet på internett om til gjenbrukbare simulerte miljøer. Derfra skal det ha generert over 4 000 timer navigasjonserfaring som kombinerer syn, språk og handling. Tanken er å skape varierte treningssituasjoner uten å samle et eget sett med fjernstyrte demonstrasjoner for hver kombinasjon av robot og oppgave. Tallene er selskapets beskrivelse av treningsdataene, ikke en måling av hvor mye innsamling i den virkelige verden som er spart. 8

Treningen beskrives i tre trinn: videre trening av modellens resonnering for robotoppgaver, veiledet finjustering og nettbasert forsterkningslæring, der modellen forbedres gjennom interaksjon. Trinnene skal tilpasse den forhåndstrente bilde- og språkmodellen til navigasjon og lære den å bruke det felles token-grensesnittet. 18

Hva er vist – og hva gjenstår?

Light Origins rapporterer ledende suksessrater med ett kamera i 10 offentlig tilgjengelige simulerte navigasjonsoppsett, fordelt på instruksjonsfølging, navigasjon mot objekter og visuell sporing. Selskapet rapporterer også overføring uten ny trening, såkalt zero-shot, mellom robottyper og til virkelige scener. Dette er rapporterte evalueringer; de viser ikke en generell suksessrate for alle ukjente roboter eller at fjernstyrt datainnsamling er overflødig. 7813

Modellvekter, kode, en teknisk rapport og evalueringsmateriale for INSIGHT-Bench er publisert, og utgivelsen beskrives som lisensiert under Apache 2.0. Det gir andre mulighet til å undersøke og teste metoden. Den praktiske påstanden er likevel avgrenset: Gjenbrukbare simulerte miljøer og én felles modell kan redusere behovet for demonstrasjoner robot for robot. Ytelsen må fortsatt prøves med den aktuelle roboten i miljøet der den skal brukes. 2510