LightNav-0: En navigationsmodell för flera typer av robotar

Att träna en robot genom att fjärrstyra den och spela in lyckade körningar kan behöva upprepas för nya uppgifter och robottyper. Light Origins vill minska det behovet med LightNav-0: en öppen navigationsmodell byggd på bild- och språkmodellen Qwen3-VL-4B. Samma modell ska kunna följa instruktioner, hitta föremål utifrån fria beskrivningar och följa visuella mål. 128

Ett mål – men olika sätt att ta sig dit

LightNav-0 använder ett gemensamt gränssnitt av token, modellens interna byggstenar, i stället för en separat prediktionsdel för varje uppgift. Så kallade peknings-token i två kanaler uttrycker vart modellen vill ta sig. En residual vektorkvantiserad kodning av handlingar representerar sedan mer precisa rörelsebanor för den aktuella roboten. Modellen komprimerar också tidigare synintryck på ett sätt som tar hänsyn till tidsförloppet. 15

Skillnaden mellan mål och rörelse är viktig: robotar med olika kroppar kan dela en uppfattning om vart de ska, utan att behöva röra sig likadant. Det är en konstruktion avsedd att underlätta överföring mellan robotar, inte ett löfte om att varje ny robot fungerar utan anpassning. 15

Verkliga scener blir simulerad träning

Light Origins kallar sin dataprocess Real2Sim2Real. Enligt företaget har över 2 000 verkliga scener hämtade från internet omvandlats till återanvändbara simulerade miljöer. Därifrån har teamet skapat mer än 4 000 timmar navigeringserfarenhet med bilder, språk och handlingar. Tanken är att kunna variera träningen i simulering, i stället för att enbart samla in nya fjärrstyrda demonstrationer. Siffrorna beskriver den uppgivna träningsdatan – inte en uppmätt besparing i datainsamling. 8

Träningen beskrivs i tre steg: mellanträning för robotrelaterat resonemang, övervakad finjustering för navigationsbeteendet och därefter förstärkningsinlärning genom interaktion. 18

Vad resultaten visar – och inte visar

Light Origins uppger resultat i toppklass för navigering med en kamera i tio offentliga simuleringsmiljöer, för bland annat instruktionsföljning, navigering till föremål och visuell målföljning. Teamet rapporterar även zero-shot-överföring till andra robottyper och verkliga miljöer, alltså utan uppgiftsspecifik träning i det nya fallet. De rapporterade resultaten visar däremot inte att fjärrstyrd datainsamling kan avskaffas eller att en okänd robot alltid fungerar utan anpassning. 7813

Modellvikter, kod, teknisk rapport och utvärderingsmaterial för INSIGHT-Bench har publicerats; utgåvan beskrivs som licensierad under Apache 2.0. Det gör metoden möjlig att granska och testa. Den praktiska frågan återstår för varje robot och miljö: hur väl fungerar modellen där, och hur mycket insamling av verkliga demonstrationer kan den faktiskt ersätta? 2510