LightNav-0——激发VLM的空间智能以用于通用具身导航
内容提要
LightNav-0是一种基于Qwen3-VL-4B构建的紧凑通用具身导航模型，无需任务特定预测头。它通过双通道指向接口（可供性点与物体点）表达空间意图，并利用残差向量量化动作分词器将意图映射为10个SE(2)航点，实现精确连续控制。模型采用时间感知视觉历史压缩、具身推理中期训练、监督微调与强化学习，单一模型即可支持指令跟随、开放词汇物体导航和视觉跟踪，训练数据覆盖2K+场景、4K+小时。
延伸解读
双通道指向：统一空间意图的轻量接口
LightNav-0 用可供性点和物体点两个图像网格 token 表达空间意图，分别指示可行方向与任务目标。这种设计不依赖任务标识或额外预测头，使同一接口能支持指令跟随、开放词汇物体导航和视觉跟踪。读者可关注其如何复用 VLM 预训练的视觉落地能力，而非替换它，从而在保持模型紧凑的同时实现跨任务泛化。
RVQ 动作分词器：兼顾精度与可训练性
模型将 10 个 SE(2) 航点用三层残差向量量化编码为三个 token，由原始语言模型头输出。这样既保留了连续控制的几何精度，又使策略梯度可直接基于 token 对数概率计算，无需扩散规划器或独立动作头。其代价是动作空间被量化，但文章认为三个 token 的短轨迹足以平衡精度与 rollout 成本。
时间感知压缩：在有限预算内保留长短期信息
视觉历史按时间新近性压缩：近期观测采样更密、分辨率更高，远期观测则更稀疏、更聚合。该机制在 256K 至 1M 像素预算下分配 token，避免历史帧无限增长。读者需注意，这种慢-快分配依赖时间戳 token 维持顺序，其效果受采样率与池化步幅参数影响，文章未给出具体调参细节。
训练策略与泛化边界
LightNav-0 采用具身推理中期训练、结合 DAgger 的监督微调及在线强化学习，分阶段对齐感知、推理与控制。训练语料覆盖 2K+ 场景和 4K+ 小时数据，但文章未披露具体任务分布或真实机器人测试结果。其泛化能力主要来自共享 token 接口和单目 RGB 输入，实际部署时仍需验证不同本体与环境的迁移表现。
Q&A
LightNav-0 是什么？它和传统导航系统有什么不同？
LightNav-0 是一种基于 Qwen3-VL-4B 构建的紧凑通用具身导航模型，无需任务特定的预测头。与传统导航系统不同，它不依赖针对特定任务或形体设计的组件，而是通过统一 token 接口（双通道指向和 RVQ 动作分词器）将感知、推理与行动整合在单一模型中，支持指令跟随、开放词汇物体导航和视觉跟踪。
LightNav-0 如何实现空间意图的表达和动作控制？
LightNav-0 通过双通道指向接口表达空间意图：可供性点指示可行方向或自由空间航路点，物体点定位任务目标。然后利用残差向量量化（RVQ）动作分词器将意图映射为 10 个 SE(2) 航点，实现精确连续控制。整个过程中，指向前缀和动作 token 均由原始语言模型头解码，无需额外预测头。
LightNav-0 支持哪些导航任务？
LightNav-0 在单一模型中支持三种导航任务：指令跟随（VLN）、开放词汇物体导航和视觉跟踪导航。任务语义完全由指令和监督格式指定，不引入任务标识 token。
LightNav-0 的训练过程包括哪些阶段？
LightNav-0 的训练包括四个阶段：具身推理中期训练（ER 中期训练）、监督微调（结合 DAgger）、在线强化学习，以及时间感知视觉历史压缩。训练数据覆盖 2K+ 场景和 4K+ 小时的具身导航数据。
LightNav-0 如何处理长时程视觉历史以控制 token 数量？
LightNav-0 采用时间感知的视觉历史压缩机制，遵循艾宾浩斯遗忘曲线：近期观测获得更高采样率和更精细空间分辨率，较早观测采样更稀疏且聚合更粗糙。通过帧采样和分层自适应池化，在 256K、576K 和 1M 像素预算下分配 token，从而在有限预算内保留近期细节和长时程上下文。
LightNav-0 的强化学习后训练有什么特点？
LightNav-0 使用残差向量量化（RVQ）接口，每个决策步的轨迹由三个 RVQ token 构成，这些 token 由与生成语言相同的 head 输出，因此对数概率精确，可直接应用基于组的相对策略优化（如 GRPO），无需辅助 MDP、去噪重构或单独 critic。同时解码仍能恢复 10 个连续 SE(2) 航点，兼顾了精确动作和易处理的概率分布。
