ナビゲーション2026/8/31arXiv:2608.30935v1

LightNav-0: 汎用身体性ナビゲーションのためのVLM空間知能の引き出し

LightNav-0: Eliciting VLM Spatial Intelligence for Generalist Embodied Navigation

事前学習済み視覚言語モデルの空間知能をナビゲーション制御に直接活用する、タスク非依存の汎用ナビゲーションモデルLightNav-0を提案。統一トークンインターフェースと残差VQアクショントークナイザにより、指示追従・物体探索・視覚追跡を単一モデルで実現する。

詳しい要約

1. どんなもの？

LightNav-0は、事前学習済みのVision-Language Model (VLM)の空間知能を直接ナビゲーション制御に引き出す、コンパクトな汎用身体性ナビゲーションモデルである。タスク固有の予測ヘッドを用いず、統一されたトークンインターフェース（デュアルチャネルポインティングと残差ベクトル量子化アクショントークナイザ）により、指示追従、オープンボキャブラリ物体ナビゲーション、視覚追跡を単一モデルで実現する。2K以上のシーンと4K時間以上のデータで訓練され、10の公開ナビゲーションシミュレーション設定で最先端の単眼成功率を達成し、実世界でもゼロショット汎化を示す。

2. 先行研究と比べてどこがすごい？

既存のナビゲーションシステムはタスクや身体性に特化したコンポーネントに依存し、知覚・推論・行動が分断され、汎化が限定的である。LightNav-0は、VLMの空間的先行知識を直接引き出し、タスク非依存の統一インターフェースで多様なタスクを扱う点で優れる。また、タスク固有の予測ヘッドを不要にし、コンパクトなモデルで高い性能を達成している。

3. 技術・手法の肝は？

手法の核は、(1) デュアルチャネルポインティングによるタスク・シーン・身体性に依存しない空間意図の表現、(2) 残差ベクトル量子化アクショントークナイザによる身体性固有の軌道への変換、(3) 時間的視覚履歴圧縮、(4) ER mid-training、教師あり微調整、強化学習の組み合わせ。これにより、単一モデルで多様なナビゲーションタスクを統一的に扱う。

4. どうやって有効だと検証した？

有効性は、8つの身体性推論ベンチマークで最高の完全セット平均を達成したLightNav-ERと、10の公開ナビゲーションシミュレーション設定で最先端の単眼成功率を達成したLightNav-0により検証された。さらに、実世界評価で異なるロボット身体性、多様なシーン、静的・動的ターゲットに対するゼロショット汎化を示した。

5. 議論はある？

要旨からは、モデルの限界や潜在的な欠点についての議論は不明。ただし、コンパクトなVLMを統一バックボーンとして用いることの有効性が示され、今後のスケーラビリティや実世界応用への影響が示唆される。

6. 次に読むべき論文は？

要旨で参照されている関連研究として、Vision-Language Models (VLMs)、Embodied Reasoning benchmarks、Navigation simulation settingsが挙げられる。具体的には、VLMの空間知能を活用した研究や、身体性ナビゲーションのための基盤モデルに関する論文が次に読むべきである。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Shaoan Wang, Aocheng Luo, Fei Huang, Jingyi Xu, Xiaoyang Wang, Yueyu Wang, Qianli Ma, Fan Yang, Ran Mei, Jia Wei, Jiangpeng Hu, Xuhao Liu, Hongming Chen, Yuanbin Shao, Yiyang Lin, Ziliang Li, Liang Pan, Xinhang Liu, Yuntao Ma, Tingxiang Fan

分類: cs.RO, cs.AI

原文アブストラクト

Embodied navigation requires agents to translate heterogeneous goals and visual observations into actions across tasks, environments, and robot embodiments. Modern vision-language models (VLMs) already encode spatial priors for visual grounding, spatial reasoning, and pointing, but these capabilities are rarely elicited directly for robot control. Existing navigation systems instead rely on task- or embodiment-specific components, fragmenting perception, reasoning, and action while offering limited generalization. Here we present LightNav-0, a compact generalist embodied navigation model that elicits the spatial intelligence of a pretrained VLM and aligns it with navigation, without task-specific prediction heads. LightNav-0 represents diverse navigation tasks through a unified token interface: dual-channel pointing expresses task-, scene-, and embodiment-agnostic spatial intent, while a residual vector-quantized action tokenizer maps this intent to precise, embodiment-specific trajectories. Together with temporally aware visual history compression, ER mid-training, supervised fine-tuning, and reinforcement learning, this formulation supports instruction following, open-vocabulary object navigation, and visual tracking within a single model. The navigation training corpus spans 2K+ scenes and 4K+ hours of embodied navigation data. LightNav-ER, the embodied-reasoning checkpoint used to initialize LightNav-0, attains the highest complete-set average across 8 embodied-reasoning benchmarks, while LightNav-0 achieves state-of-the-art monocular success rates across all 10 public navigation simulation settings. Real-world evaluations further demonstrate zero-shot generalization across robot embodiments, diverse scenes, and static and dynamic targets. These results establish compact VLMs as a unified and transferable backbone for generalist embodied navigation.

arXivで原文を読む →arXiv概要ページ