LightNav-0 กับแนวทางฝึกหุ่นยนต์นำทางโดยไม่ต้องเก็บตัวอย่างใหม่ทุกครั้ง

การสอนหุ่นยนต์นำทางด้วยการให้คนบังคับและบันทึกตัวอย่างซ้ำ ๆ สำหรับหุ่นยนต์หรือภารกิจแต่ละแบบเป็นสิ่งที่ Light Origins ต้องการลดการพึ่งพา LightNav-0 จึงถูกออกแบบให้เป็นโมเดลนำทางร่วมตัวเดียว โดยต่อยอดจาก Qwen3-VL-4B ซึ่งเป็นโมเดลที่ประมวลผลทั้งภาพและภาษา ให้รองรับทั้งการทำตามคำสั่ง การไปหาวัตถุที่ระบุด้วยภาษาทั่วไป และการติดตามเป้าหมายที่เห็นในภาพ 128

หุ่นยนต์ต่างแบบใช้โมเดลร่วมกันได้อย่างไร

แทนที่จะสร้างส่วนทำนายแยกสำหรับแต่ละงาน LightNav-0 ใช้ระบบโทเคนร่วมในการสื่อสารการนำทาง โทเคนชี้เป้าแบบสองช่องทาง แทนเจตนาว่าควรไปทางไหนในรูปแบบที่ออกแบบให้ใช้ข้ามงาน ฉาก และรูปแบบตัวหุ่นยนต์ได้ ส่วน โทเคนการกระทำแบบ residual vector quantization แทนเส้นทางการเคลื่อนที่ที่ละเอียดและเฉพาะกับหุ่นยนต์แต่ละแบบ โมเดลยังบีบอัดข้อมูลภาพที่สังเกตมาต่างช่วงเวลา เพื่อใช้บริบทจากภาพก่อนหน้าประกอบการตัดสินใจ 15

พูดให้ง่ายคือ โมเดลพยายามแยก «จะไปไหน» ออกจาก «หุ่นยนต์ตัวนี้ต้องขยับอย่างไร» การแยกสองส่วนนี้เป็นแนวทางเพื่อถ่ายโอนความสามารถระหว่างหุ่นยนต์ ไม่ใช่คำรับประกันว่าหุ่นยนต์รุ่นที่ไม่เคยพบจะใช้งานได้ทันทีโดยไม่ต้องปรับแต่ง 15

ฝึกด้วยฉากจำลองแทนการบังคับเก็บข้อมูลทุกครั้ง

หัวใจอีกส่วนคือกระบวนการ Real2Sim2Real บริษัทระบุว่านำฉากโลกจริงจากอินเทอร์เน็ตกว่า 2,000 ฉาก มาสร้างเป็นสภาพแวดล้อมจำลองที่นำกลับมาใช้ได้ และสร้างประสบการณ์นำทางที่เชื่อมภาพ ภาษา และการกระทำมากกว่า 4,000 ชั่วโมง วิธีนี้เปิดทางให้สร้างสถานการณ์ฝึกที่หลากหลายในโลกจำลอง แทนการพึ่งตัวอย่างที่คนบังคับหุ่นยนต์เก็บแยกสำหรับทุกกรณี อย่างไรก็ตาม ตัวเลขดังกล่าวเป็นปริมาณข้อมูลที่บริษัทรายงาน ไม่ใช่ผลวัดว่าประหยัดค่าเก็บข้อมูลในโลกจริงได้เท่าไร 8

การฝึกมีสามช่วง ได้แก่ การฝึกเพิ่มเติมด้านการให้เหตุผลสำหรับหุ่นยนต์ การปรับแต่งด้วยข้อมูลแบบมีคำตอบกำกับ และการเรียนรู้แบบเสริมกำลังผ่านการโต้ตอบ แนวทางนี้มุ่งปรับโมเดลภาพและภาษาพื้นฐานให้เหมาะกับการนำทาง สอนพฤติกรรมผ่านระบบโทเคนร่วม แล้วพัฒนานโยบายการเคลื่อนที่ต่อจากประสบการณ์ระหว่างฝึก 18

ผลทดสอบบอกอะไร และยังไม่บอกอะไร

Light Origins รายงานอัตราความสำเร็จระดับแนวหน้าในการทดสอบนำทางด้วยภาพจากกล้องตัวเดียวบน 10 สภาพแวดล้อมจำลองสาธารณะ ครอบคลุมการทำตามคำสั่ง การไปหาวัตถุเป้าหมาย และการติดตามด้วยภาพ พร้อมรายงานความสามารถในการนำไปใช้กับหุ่นยนต์ต่างรูปแบบและฉากจริงแบบ zero-shot หรือโดยไม่ฝึกเพิ่มสำหรับกรณีนั้นก่อน ข้อมูลเหล่านี้เป็นผลประเมินที่ทีมรายงาน ไม่ได้พิสูจน์ว่าหุ่นยนต์ที่ไม่คุ้นเคยทุกตัวจะทำงานได้สำเร็จ หรือเลิกเก็บข้อมูลจากการบังคับโดยคนได้ทั้งหมด 7813

ทีมเผยแพร่น้ำหนักโมเดล โค้ด รายงานทางเทคนิค และชุดประเมิน INSIGHT-Bench โดยระบุการเผยแพร่ภายใต้สัญญาอนุญาต Apache 2.0 ทำให้ผู้อื่นมีวัสดุสำหรับตรวจสอบและทดลองต่อ ประเด็นสำคัญของ LightNav-0 จึงไม่ใช่การตัดคนออกจากกระบวนการฝึกทันที แต่เป็นความเป็นไปได้ที่จะ ลด จำนวนตัวอย่างที่ต้องเก็บแยกตามหุ่นยนต์ โดยยังต้องตรวจสอบผลกับหุ่นยนต์และสถานที่ใช้งานจริงแต่ละกรณี 2510