多功能机器人如何突破数据采集壁垒？

现在，具身智能行业关注的焦点是实际应用。机器人在工厂中进行物料搬运，在酒店中负责配送，虽然这些任务听起来简单，但机器人必须首先理解目的地和行走路线。如果将这种需求放入更复杂的场景，比如在不同的地方执行不同的任务，并且机器人“身体”也可能发生变化，能否继续工作就成了问题。

关键在于数据的获取。真实环境中采集机器人所需数据的难度非常大。每当更换机器人、场景或任务，都必须重新进行采集，导致成本高昂且效率低下，难以跟上模型迭代的步伐。

亮源新创最近开源了名为LightNav-0的通用导航系统。该模型的特点在于，部署到新的机器人、新环境或新任务时，无需额外的导航数据训练，也不需要进一步微调，直接可以使用。研究团队采用了Real-Sim-Real的技术路径，先将2000多个真实场景转化为仿真环境中的数字资产，再在仿真中开展了超过4000小时的导航训练，最后对真实机器人进行验证。 龙8头号玩家国际

亮源新创成立于2024年底，由前OpenAI员工姜旭领导。团队将Physical AI的发展分为三个阶段：规模化预训练、对齐和部署。此次发布的LightNav-0正是第二阶段对齐的重要成果。

该公司的方法是将真实环境中的场景转化为可重复使用的训练资源。通过数据引擎，团队从互联网上收集了多个场景，并将其整合到统一的仿真系统中。每个场景都可以生成多种训练方式，不同视角、不同任务形式都能通过简单的参数调整实现。

这种方法的重要性在于，仿真并不仅仅是生成视频，而是记录了模型在每个时刻所见画面、相应指令、关注位置和移动步骤，形成完整的“具身经验”。这些多模态对齐对于将实际场景转化为模型能力至关重要，经过4000多小时的训练经验积累，模型在真实部署中出现的问题能够反馈到训练中，形成数据采集与训练的良性循环。 龙8头号玩家国际

训练的过程分为三个阶段：首先是理解空间，然后开始行走，最后通过纠错来增强学习。第一步，使用大量图像和视频数据进行中期训练，以建立视觉和语言的空间理解能力。接下来，通过引入机器人轨迹数据，将这些空间理解能力与实际动作相结合。最后，通过观察成功案例进行监督微调，提升导航模型的精确性。