本期解读论文：LightNav-0: Eliciting VLM Spatial Intelligence for Generalist Embodied Navigation
作者：Light Origins Team
论文链接：https://arxiv.org/abs/2608.30935
核心亮点：
1. **全任务统一架构**：无需额外任务/机器人专属模块，单个紧凑的预训练VLM backbone同时支持指令跟随、目标物体搜索、动态目标跟踪三类主流导航任务，打破传统方案任务碎片化的局限
2. **创新双通道点选推理接口**：用图像平面点选作为空间推理的统一中间表示，可走区域点给出可行方向、目标点定位任务终点，保留VLM预训练空间推理能力的同时提供可解释的显式推理步骤
3. **高效的RVQ动作量化方案**：仅用3个VLM输出token即可解码10步连续SE(2)导航轨迹，兼具高精度连续控制和易优化的概率更新特性，不需要额外扩散规划器或专属动作头
4. **出色的跨域迁移能力**：在10个公开仿真数据集上取得优异性能，同时支持真实世界不同机器人、室外场景、动态目标的零样本迁移，验证了通用VLM做导航 backbone的可行性
技术要点：
- **架构设计**：基于Qwen3-VL-4B-Instruct保留原始预训练架构，仅扩展词汇表加入点选位置token和RVQ动作token，所有输出都通过原生语言模型头生成
- **时序处理**：时序感知视觉历史压缩方案，在固定视觉token预算内同时保留近期细节和长周期上下文信息
- **训练流程**：采用分阶段训练策略，从具身推理预训练、DAgger监督微调再到在线强化学习，逐步对齐感知、推理与控制模块
- **自动标注方案**：设计了全自动双通道点选标注 pipeline，可自动将导航目标投影到统一的点选空间生成训练数据
#AI #大模型 #具身智能 # embodied导航 #VLM #机器人 #计算机视觉 #论文解读 #自动驾驶 #空间智能
---
有感兴趣的论文可以在评论区留言，我们进行详细拆解！
