论文页面 - LightNav-0：激发视觉语言模型空间智能以实现通用体化导航

来源：https://huggingface.co/papers/2608.30935 作者：

, , , , , , , , , , , , , , , , , , ,

摘要

LightNav-0 是一个紧凑型通用导航模型，它通过统一的指向令牌和动作分词机制，利用预训练视觉语言模型（VLM）的空间推理能力，在多样化的任务和机器人平台上实现了最先进的体化导航表现。

体化导航要求智能体将异构的目标和视觉观测转化为跨越任务、环境与机器人实体差异的动作。现代视觉语言模型（VLM）已经编码了用于视觉定位、空间推理和指向操作的空间先验知识，但这些能力很少被直接用于机器人控制。现有的导航系统通常依赖于特定任务或特定实体的组件，这割裂了感知、推理与行动环节，且泛化能力有限。本文提出 LightNav-0，这是一个紧凑型通用体化导航模型，它直接激发预训练VLM的空间智能并与导航任务对齐，无需任务特定的预测头。LightNav-0通过统一的令牌接口来表示多样化的导航任务：双通道指向机制表达了与任务、场景和机器人实体无关的空间意图，而残差向量量化动作分词器则将该意图映射为精确的、针对特定机器人的轨迹。结合时序感知视觉历史压缩、ER中期训练、监督微调和强化学习，这一方法使得单一模型能够支持指令跟随、开放词汇物体导航和视觉跟踪。导航训练语料库涵盖2000多个场景和4000多小时的体化导航数据。用于初始化LightNav-0的体化推理检查点LightNav-ER在8个体化推理基准测试中取得了最高的完整集平均表现，而LightNav-0在所有10个公开导航仿真设置中均达到了最先进的单目成功率。现实世界评估进一步证明了其跨机器人实体、多样场景以及静态/动态目标的零样本泛化能力。这些结果确立了紧凑型VLM作为通用体化导航统一且可迁移主干网络的地位。

查看 arXiv 页面 (https://arxiv.org/abs/2608.30935) 查看 PDF (https://arxiv.org/pdf/2608.30935) 项目主页 (https://www.lightorigins.com/en/blog/lightnav-0) GitHub180 (https://github.com/lightorigins/LightNav-0) 添加到收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2608.30935)

获取此论文到您的智能代理中：

hf papers read 2608\.30935

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型 0

无模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2608.30935 即可从本页面链接。

引用此论文的数据集 0

无数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2608.30935 即可从本页面链接。

引用此论文的 Spaces 0

无 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2608.30935 即可从本页面链接。

包含此论文的收藏夹 0

无收藏夹包含此论文

将此论文添加到收藏夹 (https://huggingface.co/new-collection) 即可从本页面链接。