2000+真實場景搬進仿真！一個導航模型零樣本“通吃”四種機器人本體

亮源新創近日一口氣推出三項機器人技術——LightParkour、LightNav-0 與 Light REACT，核心目標是讓機器人在真實環境中具備更強的泛化能力。其中最受矚目的亮點是一套導航模型：它不需任何微調或額外訓練，就能「零樣本」直接套用在四種不同結構的機器人本體上，大幅降低跨本體部署的門檻。為達成這項成果，研究團隊將超過兩千個真實場景的資料匯入仿真環境進行訓練，讓模型得以在大量貼近現實的情境中學習導航策略，而非僅在虛擬場景中運作。如此一來，模型不僅能適應多變的室內外空間，也能持續因應不同機器人硬體之間的差異，解決長期困擾業界的跨場景、跨本體適應難題。

這套導航模型的獨特之處在於「零樣本遷移」能力。過去若要讓導航演算法從一台機器人轉移到另一台，通常需要重新調整模型參數、蒐集新數據，甚至重新訓練神經網路。亮源新創團隊透過精心設計的模擬訓練資料集與策略學習方式，讓模型在沒有接觸過目標本體任何實際運行數據的情況下，就能直接輸出有效的控制指令，大幅度縮短部署時間與人力成本。支撐這項能力的關鍵，是超過兩千個真實場景的資料庫。團隊表示，這些場景涵蓋了辦公室、住宅、走廊、戶外步道、倉儲空間等多樣化環境，並詳細記錄了光線變化、地面材質、障礙物分布等真實因素。

將這些資料匯入仿真器後，模型得以反覆練習在各種邊界條件下做出決策，從而發展出對環境變化的高度魯棒性，避免在真實世界中因未見過的地形或干擾而當機。除了導航模型，亮源新創同步發表的 LightParkour 與 Light REACT 技術，分別針對機器人的動態運動控制與即時反應能力進行優化。三項技術接連推出，顯示團隊在機器人通用導航與運動控制領域的布局正逐步成形。LightParkour 主要處理機器人在複雜地形上的平衡與跨越動作，例如上下樓梯、跨越門檻或在不平整地面行走；Light REACT 則強調對突發事件的快速反應，讓機器人能即時避開突然出現的障礙或改變行進路徑。

值得注意的是，LightNav-0 導航模型本身並非針對特定機器人本體設計。在測試中，研究團隊選用了四種結構截然不同的機器人，包括雙足步行機器人、四足機械狗、輪式底盤機器人以及履帶型機器人。模型在未經過任何微調的情況下，直接套用在這些本體上進行導航任務，結果顯示所有機型都能順利完成端到端的路徑規劃與移動，證明了該方法的通用性與可擴展性。這項突破的背後，反映出模擬與真實數據融合的新趨勢。傳統強化學習常因仿真環境與真實世界的差距（Sim-to-Real Gap）而表現不佳，但亮源新創的做法是將真實場景直接納入模擬訓練，讓模型從一開始就接觸到接近真實的感測訊號。

這不僅縮小了轉換損失，也讓模型學到更豐富的臨場決策策略，而非只能在虛擬世界裡成功。業界人士分析，跨本體導航一直是機器人商業化過程中的關鍵瓶頸。不同機型因感測器配置、運動學限制、尺寸重量等差異，往往需要客製化開發導航模組，導致專案週期長、成本高。亮源新創提出的「一種模型四種機型」方案，若能進一步擴展到更多本體與更複雜的動態環境，將有機會改變機器人部署的既有模式，讓同一套軟體核心快速賦能不同硬體平台。從技術發布節奏來看，亮源新創顯然希望在機器人底層能力上建立護城河。

LightParkour、LightNav-0 與 Light REACT 三者分別對應運動控制、全局導航與即時反應，形成完整的自主移動閉環。這種「三位一體」的技術組合，使機器人不再只能執行固定路線，而是能像人類一樣根據環境動態調整行為，從而勝任更多元的工作任務。目前亮源新創並未公開這些技術的具體演算法架構或訓練細節，但已透露將陸續釋出部分場景資料集供學術界與開發者使用，期望加速整個領域的進展。隨著越來越多機器人進入物流、巡檢、清潔、服務等行業，這種能夠「即插即用」的導航方案，可望成為產業標準化的重要推手。

總體而言，亮源新創此次發布的三項技術，尤其是將2000+真實場景搬進仿真環境進行零樣本訓練的導航模型，為機器人通用能力樹立了新標竿。從模型設計到資料策略，再到跨本體驗證，整套方法展現了實用化導航系統的雛形。未來若能持續優化場景覆蓋率與運算效率，機器人「換上不同身體就能立刻自己認路」的那一天，或許比想像中來得更快。