คำตอบเผยแพร่แล้ว13 แหล่งที่มา
LightNav-0: โมเดลโอเพนซอร์สที่ให้หุ่นยนต์นำทางด้วยภาพ RGB และภาษา
LightNav 0 เป็นนโยบายการนำทางโอเพนซอร์สที่ต่อยอดจาก Qwen3 VL ใช้ภาพ RGB มุมมองด้านหน้าร่วมกับคำสั่งภาษา เพื่อทำตามเส้นทาง ค้นหาวัตถุที่ระบุ และติดตามเป้าหมายด้วยโมเดลเดียว โครงการประกาศเมื่อวันที่ 1 กันยายน 2026 ส่วนวันที่ 17 กันยายนที่พบใน GitHub คือวันที่คอมมิตภายหลัง ไม่ใช่วันเปิดตัวครั้งแรก หัวใจของแนวทางคืออินเ...
เผยแพร่โดยแก้ไขด้วย GPT-5.6 Terraรูปภาพสร้างด้วย GPT Image 2
คำตอบการวิจัย
ประเด็นสำคัญ
- LightNav 0 เป็นนโยบายการนำทางโอเพนซอร์สที่ต่อยอดจาก Qwen3 VL ใช้ภาพ RGB มุมมองด้านหน้าร่วมกับคำสั่งภาษา เพื่อทำตามเส้นทาง ค้นหาวัตถุที่ระบุ และติดตามเป้าหมายด้วยโมเดลเดียว
- โครงการประกาศเมื่อวันที่ 1 กันยายน 2026 ส่วนวันที่ 17 กันยายนที่พบใน GitHub คือวันที่คอมมิตภายหลัง ไม่ใช่วันเปิดตัวครั้งแรก
- หัวใจของแนวทางคืออินเทอร์เฟซโทเคนร่วมกัน: ชี้พื้นที่ที่เดินทางได้ ชี้เป้าหมาย แล้วสร้างวิถีจุดนำทางระยะสั้น แทนการใช้หัวทำนายเฉพาะสำหรับแต่ละงาน
AI พรอมต์
openai.comCreate a landscape editorial hero image for this Studio Global article: What is Light Origins’ open-sourced LightNav-0 navigation model, published on September 17, 2026, and how do its Qwen3-VL-4B backbone, unifi. Article summary: LightNav-0 is a compact, general-purpose embodied-navigation policy built from Qwen3-VL-4B-Instruct. It uses a single stream of egocentric RGB observations plus a language instruction to handle route following, open-voca. Topic tags: general, academic, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, char
LightNav-0 คือความพยายามของ Light Origins ในการสร้าง “สมองนำทาง” อเนกประสงค์แบบโอเพนซอร์สสำหรับหุ่นยนต์ โดยใช้โมเดลวิชั่น-ภาษา (VLM) ตัวเดียวอ่านภาพ RGB จากมุมมองด้านหน้าหุ่นยนต์ร่วมกับคำสั่งภาษาธรรมชาติ แล้วแปลงเป็นจุดนำทางสำหรับการเคลื่อนที่ โมเดลนี้พัฒนาบน Qwen3-VL เพื่อรองรับทั้งการทำตามคำสั่งเส้นทาง การนำทางไปยังวัตถุที่เรียกชื่อได้อย่างอิสระ และการติดตามเป้าหมายด้วยภาพ โดยไม่ต้องมีหัวทำนายแยกสำหรับแต่ละงาน 1
5
ประเด็นสำคัญของโครงการจึงไม่ใช่การเปิดตัวตัวหุ่นยนต์รุ่นใหม่ แต่เป็นการสร้างอินเทอร์เฟซร่วมระหว่างการมองเห็น ภาษา และการเคลื่อนที่ Light Origins ระบุว่าได้เผยแพร่โมเดล โค้ด และรายงานทางเทคนิคเมื่อวันที่ 1 กันยายน 2026 ส่วนวันที่ 17 กันยายนที่เห็นบน GitHub เป็นวันที่มีคอมมิตในคลังโค้ดภายหลัง ไม่ใช่วันประกาศเปิดตัว 5
10
แนวคิดหลัก: ใช้ภาษาการนำทางชุดเดียวกับหลายงาน
งานนำทางหุ่นยนต์มักมีเป้าหมายต่างกัน ตั้งแต่ทำตามคำสั่งบอกทาง ค้นหาวัตถุที่ระบุชื่อ ไปจนถึงรักษาเป้าหมายให้อยู่ในมุมมอง แต่ LightNav-0 กำหนดรูปแบบผลลัพธ์ให้เหมือนกันในทุกงาน
โมเดลจะทำนายโทเคนชี้ตำแหน่งบนกริดภาพ 2 ประเภทก่อน ได้แก่
- affordance point: ตำแหน่งที่สื่อถึงทิศทางหรือพื้นที่ใกล้ตัวที่หุ่นยนต์สามารถผ่านไปได้
- object point: ตำแหน่งของเป้าหมายการนำทาง หรือเป้าหมายที่ต้องติดตาม
หลังจากนั้น ระบบจะสร้างโทเคนการกระทำแบบ residual vector quantization 3 ตัว แล้วถอดรหัสเป็นวิถีจุดนำทาง 10 ขั้นในระนาบ SE(2) ซึ่งอธิบายทั้งตำแหน่งและทิศการหัน ในรูปแบบที่รายงานโดยงานวิจัย codebook แบบลำดับชั้นจะเริ่มจากการตัดสินใจระดับราว 0.9 เมตร ก่อนละเอียดขึ้นเป็นประมาณ 7 เซนติเมตร และ 4 เซนติเมตร 1
แนวคิดนี้ทำให้โมเดลเดียวมีศักยภาพจะรองรับโหมดการนำทางหลายแบบได้ คำสั่งหรือคำบรรยายวัตถุเปลี่ยน “เจตนา” ของงาน แต่ผลลัพธ์ยังสื่อสารด้วยการชี้เชิงพื้นที่และสร้างวิถีการเคลื่อนที่เหมือนเดิม ผู้วิจัยเรียกสิ่งนี้ว่าอินเทอร์เฟซโทเคนแบบรวมศูนย์ ซึ่งไม่ขึ้นกับชนิดงาน ฉาก หรือรูปแบบตัวหุ่นยนต์ 1
ทำไมฐาน Qwen3-VL จึงมีความสำคัญ
LightNav-0 ตั้งต้นจาก Qwen3-VL-4B-Instruct ซึ่งเป็นโมเดลวิชั่น-ภาษา แล้วปรับให้เชื่อมความเข้าใจเชิงพื้นที่เข้ากับการนำทาง แทนที่จะสร้างนโยบายควบคุมใหม่สำหรับทุกงานหรือทุกแพลตฟอร์มหุ่นยนต์ เป้าหมายคือทำให้ความสามารถในการเข้าใจภาพและภาษาของ VLM ใช้สั่งการในโลกกายภาพได้ 1
ในการประเมินแบบกล้องเดี่ยวที่รายงาน โมเดลใช้ภาพมุมมองบุคคลที่หนึ่งของหุ่นยนต์ โดยไม่อาศัยเซ็นเซอร์วัดความลึก โอโดเมทรี หรือกล้องภาพพาโนรามา อินเทอร์เฟซจึงตรงไปตรงมา: รับภาพจากกล้องและภาษา แล้วส่งออกเจตนาเชิงพื้นที่ในรูปโทเคนพร้อมจุดนำทาง 1
อย่างไรก็ดี ความเรียบง่ายของนโยบายโมเดลไม่ได้ทำให้ระบบหุ่นยนต์ครบวงจรง่ายขึ้นทั้งหมด การใช้งานจริงยังต้องมีการคาลิเบรตกล้อง ตัวควบคุมระดับล่างที่นำจุดนำทางไปปฏิบัติอย่างปลอดภัย และการทดสอบกับหุ่นยนต์กับสภาพแวดล้อมเป้าหมายโดยเฉพาะ
Real2Sim2Real: เพิ่มข้อมูลนำทางโดยไม่ต้องบังคับหุ่นยนต์ซ้ำ ๆ ตลอดเวลา
อุปสรรคใหญ่ของการฝึกหุ่นยนต์คือการเก็บตัวอย่างสาธิตที่หลากหลายและมีคุณภาพจากฮาร์ดแวร์จริง Light Origins จึงเสนอท่อกระบวนการ Real2Sim2Real เพื่อย้ายงานส่วนหนึ่งไปทำในสภาพแวดล้อมจำลองที่นำกลับมาใช้ซ้ำได้
บริษัทระบุว่าได้แปลงฉากในอาคารและกลางแจ้งจากอินเทอร์เน็ตมากกว่า 2,000 ฉากให้เป็นสินทรัพย์จำลอง และใช้สร้างประสบการณ์ภาพ-ภาษา-การกระทำที่สอดคล้องกันมากกว่า 4,000 ชั่วโมง 10 ลำดับการฝึกที่รายงานมี 3 ระยะ ได้แก่
- การฝึกต่อยอดระยะกลางด้านการให้เหตุผลเชิงกายภาพ (embodied-reasoning mid-training)
- การปรับจูนแบบมีผู้สอนสำหรับงานนำทาง
- การเรียนรู้แบบเสริมกำลังออนไลน์
ระหว่างการสร้างข้อมูล โครงการสุ่มมุมมองของกล้อง รวมถึงมุมรับภาพ ความสูง และมุมก้มเงย จุดประสงค์คือไม่ให้โมเดลผูกติดกับตำแหน่งกล้องแบบเดียว และช่วยเพิ่มโอกาสในการย้ายไปใช้กับหุ่นยนต์ที่มีรูปร่างต่างกัน 1
แนวทางนี้อาจช่วยลดปริมาณข้อมูลนำทางที่ต้องเก็บผ่านการควบคุมหุ่นยนต์จากระยะไกลซ้ำ ๆ แต่ไม่ได้พิสูจน์ว่าข้อมูลโลกจริงไม่จำเป็นอีกต่อไป ความสมจริงของการจำลอง ความต่างของเซ็นเซอร์ ความหน่วงในการควบคุม ความปลอดภัยเมื่อเจอสิ่งกีดขวาง และสภาพกลางแจ้งที่คาดไม่ถึง ยังเป็นความเสี่ยงเมื่อใช้งานจริง
ผลลัพธ์ที่รายงานบอกอะไร และยังไม่ได้บอกอะไร
บทความรายงานผลระดับแนวหน้าสำหรับการประเมินการนำทางแบบกล้องเดี่ยว 10 รายการ โดยใช้เช็กพอยต์เดียวร่วมกัน อีกทั้งรายงานการย้ายไปใช้กับหุ่นยนต์มนุษย์ หุ่นยนต์สี่ขา หุ่นยนต์ล้อ และหุ่นยนต์บินแบบ zero-shot ในฉากที่ไม่เคยเห็นมาก่อน 1
10
ข้ออ้างเหล่านี้มีนัยสำคัญ เพราะเป็นการทดสอบว่านโยบายเดียวจะครอบคลุมงานและตัวหุ่นยนต์ต่างชนิดได้หรือไม่ แทนที่จะจูนโมเดลให้เก่งเพียงเบนช์มาร์กเดียว แต่ผลดังกล่าวยังเป็นผลที่รายงานโดยผู้พัฒนาเอง การทำซ้ำผลโดยหน่วยงานอิสระ โดยเฉพาะบนหุ่นยนต์จริงในสภาพแวดล้อมในอาคารและกลางแจ้งที่ควบคุมได้น้อยกว่า คือบททดสอบสำคัญกว่าต่อความทั่วไปของโมเดล
นักพัฒนาเข้าถึงอะไรได้บ้าง
คลัง GitHub สาธารณะระบุว่า LightNav-0 เป็นโมเดลนำทางเชิงกายภาพแบบอเนกประสงค์ที่สร้างบน Qwen3-VL และนำเสนอแนวคิดอินเทอร์เฟซโทเคนร่วม 5 Light Origins ระบุเพิ่มเติมว่า การเปิดตัวครอบคลุมโมเดล โค้ด และรายงานทางเทคนิค
10
สำหรับทีมที่ต้องการประเมินใช้งาน คำถามสำคัญไม่ใช่แค่ว่าโมเดลรันได้หรือไม่ แต่คืออินพุตภาพ RGB และภาษา เอาต์พุตจุดนำทาง การตั้งค่ากล้อง และตัวควบคุมระดับล่าง เข้ากับหุ่นยนต์เป้าหมายหรือเปล่า การประเมินที่รอบคอบควรเทียบผลในซิมูเลชันกับการทดสอบโลกจริง ทดสอบกลไกสำรองด้านความปลอดภัย และตรวจสอบไฟล์รีลีสกับเงื่อนไขไลเซนส์ล่าสุดก่อนนำไปใช้เชิงพาณิชย์หรือในงานผลิต
บทสรุป
LightNav-0 เสนอสูตรที่นำกลับมาใช้ซ้ำได้สำหรับการนำทางเชิงกายภาพ: ใช้ VLM ขนาดกะทัดรัด แทนงานนำทางหลายแบบด้วยโทเคนชี้ตำแหน่งและจุดนำทางชุดเดียว และสร้างข้อมูลเพื่อปรับแนวโมเดลส่วนใหญ่ผ่านท่อกระบวนการ Real2Sim2Real 1
10
หากการย้ายข้ามหุ่นยนต์ตามที่รายงานยังคงให้ผลในการทดสอบอิสระบนโลกจริง แนวทางนี้อาจทำให้การพัฒนาระบบนำทางพึ่งพาการเก็บชุดข้อมูลจากการควบคุมหุ่นยนต์ใหม่สำหรับทุกงานและทุกแพลตฟอร์มน้อยลง แต่ในตอนนี้ ควรมองว่าเป็นจุดเริ่มต้นด้านงานวิจัยและการนำไปใช้ที่เปิดเผยรายละเอียดทางเทคนิค ไม่ใช่ข้อพิสูจน์เด็ดขาดว่ากล้อง RGB เพียงตัวเดียวร่วมกับโมเดลภาษาจะแก้ปัญหาการนำทางได้ในทุกสถานการณ์
Studio Global AI
ทำการวิจัยต่อ
หน้านี้รวมคำตอบที่ได้รับการสนับสนุนจากแหล่งที่มาซึ่งคุณสามารถดำเนินการต่อภายใน Studio Global
คนยังถาม
คำตอบสั้น ๆ สำหรับ "LightNav-0: โมเดลโอเพนซอร์สที่ให้หุ่นยนต์นำทางด้วยภาพ RGB และภาษา" คืออะไร
LightNav 0 เป็นนโยบายการนำทางโอเพนซอร์สที่ต่อยอดจาก Qwen3 VL ใช้ภาพ RGB มุมมองด้านหน้าร่วมกับคำสั่งภาษา เพื่อทำตามเส้นทาง ค้นหาวัตถุที่ระบุ และติดตามเป้าหมายด้วยโมเดลเดียว
ประเด็นสำคัญที่ต้องตรวจสอบก่อนคืออะไร?
LightNav 0 เป็นนโยบายการนำทางโอเพนซอร์สที่ต่อยอดจาก Qwen3 VL ใช้ภาพ RGB มุมมองด้านหน้าร่วมกับคำสั่งภาษา เพื่อทำตามเส้นทาง ค้นหาวัตถุที่ระบุ และติดตามเป้าหมายด้วยโมเดลเดียว โครงการประกาศเมื่อวันที่ 1 กันยายน 2026 ส่วนวันที่ 17 กันยายนที่พบใน GitHub คือวันที่คอมมิตภายหลัง ไม่ใช่วันเปิดตัวครั้งแรก
ฉันควรทำอย่างไรต่อไปในทางปฏิบัติ?
หัวใจของแนวทางคืออินเทอร์เฟซโทเคนร่วมกัน: ชี้พื้นที่ที่เดินทางได้ ชี้เป้าหมาย แล้วสร้างวิถีจุดนำทางระยะสั้น แทนการใช้หัวทำนายเฉพาะสำหรับแต่ละงาน