LightNav-0：激发 VLM 空间智能的通用具身导航模型

一个模型、四种机器人：通用具身导航大脑

LightNav-0 是 Light Origins 团队开源的紧凑型通用具身导航模型。它的核心思路是"激发预训练视觉语言模型的空间智能"：以 Qwen3-VL-4B-Instruct 为骨干，不添加任何导航专用模块——没有路点预测头、没有任务专用动作头、没有按本体拆分的专家网络。仅扩充词表（索引化指向 token + RVQ 动作 token），空间推理轨迹与动作编码都通过骨干原有的自回归 LM 头解码。

指令跟随、开放词汇物体导航、具身视觉追踪三类任务共享同一套 token 接口，同一个检查点零样本迁移到人形、四足、轮式、无人机四种机器人本体，以及训练中未见过的场景——全程无遥操作。

方法：双通道指向 + RVQ 动作 tokenizer

每个决策步，模型把带时间戳的第一人称 RGB 历史与自然语言指令交织进单一因果序列，输出两样东西：

• 双通道指向——一个"可供性点"（可行的局部方向/自由空间路点）+ 一个"目标点"（任务目标），各占一个图像网格 token。这是显式的空间推理轨迹：先在像素上锚定计划，再生成动作。
• 三个 RVQ 动作 token，解码为未来 10 个 SE(2) 路点——交给各本体自己的低层控制器的统一几何接口。

任务语义完全来自指令，没有任务识别 token；同一骨干、同一接口、同一目标函数服务所有导航任务。

时间感知的历史压缩：导航既需要近处的几何细节，也需要长时程上下文。LightNav-0 按"近因"压缩历史，遵循艾宾浩斯遗忘曲线的形状：采样率随帧龄指数衰减、空间池化步长指数增长——越久远的观测贡献越少越粗的 token，当前观测保留最细细节。时间戳 token 在池化后保持顺序。压缩器跑在 ViT 之后，支持 256K/576K/1M 像素预算，限定上下文长度而不把整段历史塌缩成单帧摘要。

RVQ 动作 tokenizer：10 步 SE(2) 轨迹由 1 个 256 项粗码本 + 2 个 256 项残差码本量化，分辨率分别约 0.9m、7cm、4cm。任意非空前缀都能解码为可执行的粗轨迹，每加一层残差就细化几何精度——三个 token 同时表达大尺度运动与厘米级路径形状。

基准：单一检查点全面领先

一个共享检查点、不按基准微调，全部数字来自单一前向 RGB 流（无深度、无里程计、无全景相机）。要点：

• 指令跟随（VLN-CE）：R2R val-unseen SR 68.5% / SPL 62.8%，RxR SR 73.6% / SPL 64.5%，超过 NaVILA、StreamVLN、DualVLN、CorrectNav、Qwen-RobotNav-8B。
• 物体导航（6 个 ObjectNav 设置）：MP3D 53.3%、HM3D v2 79.5%、OVON 未见类别 47.0%，六项全部第一。
• 具身视觉追踪（EVT-Bench）：带干扰物的 DT 设置 SR 82.6%，并超过论文中所有全景/多相机系统。
• INSIGHT-Bench（部署导向基准，1097 个 episode、210 个室内外场景、统一 120° 前视 RGB 接口）：SR 43.7%，大幅领先 NaVid 26.9%、Uni-NaVid 24.3%。

缩放分析给出三条不同曲线：模型规模 2B→4B 提升明显（R2R SR/SPL +8.6/+7.4）但 8B 基本不涨；数据量单调但边际递减；环境多样性是唯一持续有回报的轴——训练环境从 1/8 加到全部，R2R +16.7 SR、RxR +21.1 SR。场景多样性，而非参数量或纯时长，才是可靠的杠杆。

工程与部署：全仿真训练，真机即插即用

模型完全在仿真中训练（"所以可扩展"），经 scalable 的 real2sim2real 迁移到真实机器人，跨机器人、跨任务、跨场景。仓库提供完整链路：

• 推理/服务：`lightnav-predict` 一条命令对视频片段做指令导航；`lightnav-serve` 起 WebSocket 服务流式接帧，多机器人可共享一台服务器（会话微批）。
• 仿真试玩：`mujoco_demo/` 自带 MuJoCo TurtleBot + ProcTHOR 场景，无需 ROS/Habitat/GPU，浏览器即开即玩。
• 真机部署：`robot_deploy/` 是完整的 ROS 2 机上栈——相机驱动、WebSocket 客户端、MPC 路点跟踪器、Web 控制面板，自带 Unitree Go2 与 LimX TRON 1 适配器，并提供"自带机器人"接口。
• 评测：VLN-CE / ObjectNav 与 EVT-Bench 评测 harness 随仓库发布；INSIGHT-Bench 的 episode 与评测代码单独放出。

模型权重在 Hugging Face（LightOriginsHQ/LightNav-0，基于 Qwen3-VL-4B-Instruct 微调），代码与权重均为 Apache-2.0。论文：arXiv 2608.30935《LightNav-0: Eliciting VLM Spatial Intelligence for Generalist Embodied Navigation》。